PDF-to-Word-Conversion

Description

The PDF-to-Word-Conversion project is designed to convert pages of a PDF document into separate pages of a Microsoft Word document while adhering to specific technical requirements. The project employs two main processing strategies: using the Google Cloud Vision API for text extraction and local processing with PyMuPDF and Tesseract.

Tech Stack

• Google Cloud Vision API: For extracting text from images.
• PyMuPDF: For working with PDF documents.
• Tesseract OCR: For recognizing text in images.
• pdf2image: For converting PDF pages into images.
• Pillow: For image processing.
• python-docx: For creating and editing Word documents.
• tqdm: For displaying progress.
• Flake8: For linting.
• Pytest: For tests.

Installation

1. Clone the repository:

   git clone https://github.com/AlexTkDev/PDF-to-Word-Conversion.git
   cd PDF-to-Word-Conversion

2. Create and activate a virtual environment:

   python -m venv venv
   source venv/bin/activate  # For Windows use `venv\Scripts\activate`

3. Install dependencies:

   pip install -r requirements.txt

   Note: Ensure that Google Cloud SDK and Tesseract OCR are installed and configured.

4. Set up Google Cloud Vision API:

   • Obtain a Google Cloud credentials file (JSON format).
   • Set the path to this file in the environment variable GOOGLE_APPLICATION_CREDENTIALS.

5. Setting up Tesseract OCR:

   • For Windows:

     • Download the Tesseract OCR installer from the official repository or source.
     • Run the installer and follow the instructions.
     • Add the path to Tesseract in the PATH environment variable (e.g., C:\Program Files\Tesseract-OCR).

   • For macOS:

     • Use Homebrew to install Tesseract. Open a terminal and run:

       brew install tesseract

   • For Linux:

     • Install Tesseract using a package manager. For example, on Ubuntu:

       sudo apt-get update
       sudo apt-get install tesseract-ocr

   • Installing Language Packages:

     • To add additional language packages, follow the instructions for your operating system.

   • Using in Python:

     • Install the pytesseract library:

       pip install pytesseract

     • Ensure that pytesseract knows where Tesseract is installed:

       import pytesseract
       
       # Specify the path to Tesseract if it's not in PATH
       pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # for Windows

6. Run the scripts:

   • To process PDF using Google Cloud Vision API:

     python PDF_processing_with_Google_Cloud_Vision_API.py

   • To process PDF locally using PyMuPDF and Tesseract:

     python processing_PDF_locally.py

Running tests

• To run tests, use the command:

 pytest tests/

Linting

• To check your code for standards compliance, use Flake8. Run the command:

flake8 PDF_processing_with_Google_Cloud_Vision_API.py processing_PDF_locally.py --show-source --statistics
flake8 PDF_processing_with_Google_Cloud_Vision_API.py processing_PDF_locally.py --count --exit-zero --max-complexity=10 --max-line-length=127 --statistics

Notes

• In the script PDF_processing_with_Google_Cloud_Vision_API.py, replace 'path_to_your_google_credentials.json' with the path to your Google Cloud credentials file.
• In the script processing_PDF_locally.py, replace 'Open Project 100 images.pdf' with the path to your PDF document.

Project Structure

• PDF_processing_with_Google_Cloud_Vision_API.py: Script for extracting text from images using Google Cloud Vision API and creating a Word document.
• processing_PDF_locally.py: Script for extracting text from images using Tesseract and creating a Word document.

Contributing

• If you want to make changes to the project, fork the repository, make your changes, and create a Pull Request.

License

This project is licensed under the MIT License.

---

PDF-to-Word-Conversion

Описание

Проект PDF-to-Word-Conversion предназначен для конвертации страниц PDF-документа в отдельные страницы документа Microsoft Word с соблюдением определенных технических требований. Проект использует две основные стратегии обработки: с использованием Google Cloud Vision API для извлечения текста и локальную обработку с помощью PyMuPDF и Tesseract.

Стек технологий

• Google Cloud Vision API: Для извлечения текста из изображений.
• PyMuPDF: Для работы с PDF-документами.
• Tesseract OCR: Для распознавания текста на изображениях.
• pdf2image: Для конвертации страниц PDF в изображения.
• Pillow: Для обработки изображений.
• python-docx: Для создания и редактирования документов Word.
• tqdm: Для отображения прогресса выполнения.
• Flake8: Для линтинга.
• Pytest: Для тестов.

Установка

1. Клонируйте репозиторий:

   git clone https://github.com/AlexTkDev/PDF-to-Word-Conversion.git
   cd PDF-to-Word-Conversion

2. Создайте и активируйте виртуальное окружение:

   python -m venv venv
   source venv/bin/activate  # Для Windows используйте `venv\Scripts\activate`

3. Установите зависимости:

   pip install -r requirements.txt

   Примечание: Убедитесь, что у вас установлены и настроены Google Cloud SDK и Tesseract OCR.

4. Настройте Google Cloud Vision API:

   • Получите файл учетных данных Google Cloud (формат JSON).
   • Задайте путь к этому файлу в переменной окружения GOOGLE_APPLICATION_CREDENTIALS.

5. Настройка Tesseract OCR:

   • Для Windows:

     • Скачайте установочный файл Tesseract OCR с официального репозитория или источника.
     • Запустите установочный файл и следуйте инструкциям.
     • Добавьте путь к Tesseract в переменную среды PATH (например, C:\Program Files\Tesseract-OCR).

   • Для macOS:

     • Используйте Homebrew для установки Tesseract. Откройте терминал и выполните:

       brew install tesseract

   • Для Linux:

     • Установите Tesseract через пакетный менеджер. Например, для Ubuntu:

       sudo apt-get update
       sudo apt-get install tesseract-ocr

   • Установка языковых пакетов:

     • Для добавления дополнительных языковых пакетов следуйте инструкциям для вашей операционной системы.

   • Использование в Python:

     • Установите библиотеку pytesseract:

       pip install pytesseract

     • Убедитесь, что pytesseract знает, где установлен Tesseract:

       import pytesseract
       
       # Укажите путь к Tesseract, если он не находится в PATH
       pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # для Windows

6. Запустите скрипты:

   • Для обработки PDF с помощью Google Cloud Vision API:

     python PDF_processing_with_Google_Cloud_Vision_API.py

   • Для локальной обработки PDF с помощью PyMuPDF и Tesseract:

     python processing_PDF_locally.py

Запуск тестов

• Для запуска тестов используйте команду:

pytest tests/

Linting

• Для проверки кода на соответствие стандартам используйте Flake8. Запустите команду:

flake8 PDF_processing_with_Google_Cloud_Vision_API.py processing_PDF_locally.py --show-source --statistics
flake8 PDF_processing_with_Google_Cloud_Vision_API.py processing_PDF_locally.py --count --exit-zero --max-complexity=10 --max-line-length=127 --statistics

Примечания

• В скрипте PDF_processing_with_Google_Cloud_Vision_API.py необходимо заменить 'path_to_your_google_credentials.json' на путь к вашему файлу с учетными данными Google Cloud.
• В скрипте processing_PDF_locally.py замените 'Open Project 100 images.pdf' на путь к вашему PDF-документу.

Структура проекта

• PDF_processing_with_Google_Cloud_Vision_API.py: Скрипт для извлечения текста из изображений с помощью Google Cloud Vision API и создания документа Word.
• processing_PDF_locally.py: Скрипт для извлечения текста из изображений с помощью Tesseract и создания документа Word.

Контрибьюция

• Если вы хотите внести изменения в проект, создайте форк репозитория, сделайте ваши изменения и создайте Pull Request.

Лицензия

Этот проект лицензируется под MIT License.