File size: 2,107 Bytes
7ff7119 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 | """Tesseract OCR wrapper — magyar+angol+német (HU+EN+DE) nyelvi modellek.
A pdf_loader 3-szintű fallback-jénél a 2. réteg: ha a PyMuPDF natív szöveg
< SCANNED_THRESHOLD karakter, akkor az oldal-renderelt képet átadjuk a
Tesseract-nak. Ha az OCR még mindig kevés szöveget ad, az oldal `is_scanned=True`
marad és a PageContent `image_bytes`-szal tölt fel — a vision-extract node majd
közvetlenül a képből nyer ki strukturált adatot.
Lazy-importáljuk a pytesseract és Pillow-t, hogy a Fázis 1 dummy-csak smoke
teszt NE igényelje a tesseract-rendszerszintű telepítést.
"""
from __future__ import annotations
# Threshold: ha PyMuPDF natív szövege < ennyi karakter, az oldal szkennelt
SCANNED_THRESHOLD = 50
# Tesseract nyelvi kombináció — magyar+angol+német, mert a teszt-adat háromnyelvű
TESSERACT_LANGS = "hun+eng+deu"
def tesseract_available() -> bool:
"""Visszaadja, hogy a pytesseract + tesseract-binary működik-e.
Lazy-import: ha a package nincs telepítve vagy a tesseract binary nem érhető
el, False-t ad vissza, és a downstream PDF loader skip-eli az OCR réteget.
"""
try:
import pytesseract
pytesseract.get_tesseract_version()
return True
except Exception:
return False
def ocr_image_bytes(image_bytes: bytes, langs: str = TESSERACT_LANGS) -> str:
"""Bináris kép → szöveg Tesseract OCR-rel.
Hibák esetén (Tesseract hiányzik, kép-formátum nem támogatott) üres stringet
ad vissza — a PageContent `image_bytes` mezője megmarad, a downstream
vision-fallback fogja a feladatot átvenni.
"""
if not image_bytes:
return ""
try:
from io import BytesIO
import pytesseract
from PIL import Image
with Image.open(BytesIO(image_bytes)) as img:
# PNG-ben tárolt alpha-csatornás kép → RGB konverzió a Tesseractnak
if img.mode != "RGB":
img = img.convert("RGB")
return pytesseract.image_to_string(img, lang=langs).strip()
except Exception:
return ""
|