PDF to Content · Библиотека контента из PDF

Локальная обработка PDF: текст с координатами, картинки, таблицы и OCR. Результат — JSON и папка изображений. Опционально — загрузка на FastAPI (пока хранение в памяти / SQLite-схема, без обязательного PostgreSQL).

Возможности

• Извлечение текстовых блоков (bbox, шрифт) через PyMuPDF.
• Картинки со страниц + OCR (Tesseract или EasyOCR).
• Таблицы через pdfplumber.
• GUI (run_gui.py): обзор, поиск по тексту, превью картинок и таблиц, сохранение JSON.
• CLI: client/process_pdf.py.
• REST: POST /api/documents, поиск, отдача документа (server/main.py).

Не реализовано в текущем коде: продовый PostgreSQL/Elasticsearch, веб-витрина, векторный поиск. Схема SQLAlchemy есть в server/database.py; API по умолчанию держит документы в словаре процесса.

Требования

• Python 3.10+.
• Windows: GUI на tkinter (обычно уже в поставке).
• Для OCR Tesseract: UB-Mannheim installer и PATH.
• EasyOCR — тяжелее, удобнее с GPU.
• PDF без пароля.

Установка и запуск

cd D:\WinProjects\@pdf_to_content
pip install -r requirements-client.txt
python run_gui.py

CLI:

python client/process_pdf.py --input document.pdf --output result.json
python client/process_pdf.py --input document.pdf --ocr easyocr

Сервер (отдельное окно):

pip install -r requirements-server.txt
uvicorn server.main:app --reload --host 127.0.0.1 --port 8000
python client/upload_to_server.py --file processed/result.json --server http://127.0.0.1:8000

Пример переменных: config.example.env.

Использование

GUI

1. «Обзор…» — выбрать PDF.
2. Включить OCR и движок при необходимости.
3. «Обработать PDF» — дождаться прогресса.
4. Вкладки: Обзор, Текст (поиск/страница), Изображения, Таблицы, JSON.
5. Сохранить JSON. Файлы также пишутся в processed/ и processed/images/.

API

• POST /api/documents — JSON документа и опционально файлы картинок.
• GET /api/documents/{id} — документ.
• Поиск — эндпоинт в server/main.py (по загруженным в память записям).

Структура проекта

@pdf_to_content/
├── run_gui.py
├── client/
│   ├── gui_app.py
│   ├── process_pdf.py
│   ├── pdf_processor.py
│   ├── ocr_processor.py
│   └── upload_to_server.py
├── server/
│   ├── main.py          # FastAPI, in-memory store
│   └── database.py      # SQLAlchemy-схема (заготовка)
├── requirements-client.txt
├── requirements-server.txt
└── doc/

Технологии

• Клиент: Python, PyMuPDF, pdfplumber, Pillow, pytesseract / EasyOCR, tkinter.
• Сервер: FastAPI, uvicorn; SQLAlchemy в схеме, runtime API — память процесса.

История изменений

Формат Keep a Changelog.

[Unreleased]

Changed

• Документация приведена к четвёрке; зафиксировано фактическое поведение API (in-memory), без обещаний Elasticsearch/PostgreSQL как текущего статуса.

[1.0.0]

Added

• Клиентский парсинг PDF, OCR, GUI, CLI.
• FastAPI загрузка/поиск по документам в памяти процесса.
• SQLAlchemy-схема как заготовка.