בקשת עזרה תוכנה למיון ספרים!

[yzahn]

@אלף-שין

from pypdf import PdfReader

def is_hebrew_books(file):
    reader = PdfReader(file)
    annotations = reader.pages[0].annotations
    for annotation in annotations:
        if annotation.get("/Subtype") == "/Link" and annotation.get("/A").get("/URI") == "http://www.hebrewbooks.org":
            return True
    return False

נ.ב. בדקתי רק על שני קבצים

[אלף שין]

@yzahn
כנראה התכוונת לזה:

from PyPDF2 import PdfReader

def is_hebrew_books(file):
    reader = PdfReader(file)
    try:
        annotations = reader.getOutlines()
    except:
        return False

    for item in annotations:
        if isinstance(item, dict):
            if item.get('/URI', '').startswith('http://www.hebrewbooks.org'):
                return True

    return False

# Example usage:
file_path = 'path_to_your_file.pdf'  # replace with your file path
result = is_hebrew_books(file_path)

if result:
    print("The PDF is a Hebrew book.")
else:
    print("The PDF is not a Hebrew book.")

אבל זה לא זיהה לי...
צריך ספריית PDF מתקדמת יותר...

[yzahn]

@אלף-שין השתמשתי בגירסה האחרונה של pypdf (בלי 2) זה אוחז כבר ב-4
לא בדקתי מה המקביל ב-2

[אלף שין]

@yzahn
אה..
חבל שלא ידעתי...
כי לא הבנתי למה יש כל הזמן שגיאות...
סידרתי רק באדיבות GPT כלשהוא....
עכ"פ אשמח דווקא לקבל עזרה אבל צריך סקריפט שיסרוק ב3 שלבים:
1] האם מופיע תו W בעמוד הראשון- אם כן מעביר, אם לא עובר לשלב 2,
2] האם נמצא בעמוד הראשון תיבת טקסט [אם כן בטוח יש בתוכה W] אם כן מעביר, אם לא עובר לשלב 3,
3] מעביר את העמוד הראשון OCR, ובודק שוב האם נמצא תו W.

[yzahn]

@אלף-שין כתב בשיתוף | שיתוף ובקשת עזרה, תוכנה למיון ספרים!:

אבל צריך סקריפט שיסרוק ב3 שלבים

למה החלטת ככה? מה לא טוב עם הפונקציה שלי? (תביא דוגמאות של קבצים שזה לא עובד עליהם ואנסה לתקן)

האם נמצא בעמוד הראשון תיבת טקסט

תוכל להגדיר בשפה יותר טכנית/מדוייקת מה זה תיבת טקסט? כי המושג "תיבת טקסט" לא קיים ב-PDF

[yzahn]

@אלף-שין כתב בשיתוף | שיתוף ובקשת עזרה, תוכנה למיון ספרים!:

באדיבות GPT כלשהוא

הוא טעה בגדול, אין קשר בין הקוד שהוא פלט לקוד שלי
הנה התיקון עבור PyPDF2

from PyPDF2 import PdfReader

def is_hebrew_books(file):
    reader = PdfReader(file)
    annotations = reader.pages[0].annotations
    for annotation in annotations:
        if annotation.get_object().get("/Subtype") == "/Link" and annotation.get_object().get("/A").get("/URI") == "http://www.hebrewbooks.org":
            return True
    return False

[אלף שין]

@yzahn כתב בשיתוף | שיתוף ובקשת עזרה, תוכנה למיון ספרים!:

למה החלטת ככה? מה לא טוב עם הפונקציה שלי? (תביא דוגמאות של קבצים שזה לא עובד עליהם ואנסה לתקן)

האם נמצא בעמוד הראשון תיבת טקסט

תוכל להגדיר בשפה יותר טכנית/מדוייקת מה זה תיבת טקסט? כי המושג "תיבת טקסט" לא קיים ב-PDF

העליתי כאן עמוד ראשון מ3 ספרים,
שים לב להבדל:
בספר חידושי חתם סופר: הטקסט מופיע בתוך "תיבת טקסט".
בספר בן יהוידע ח"א: מופיע כמלל רגיל בדומה לשאר המלל בעמוד.
בספר בן יהוידע ח"ב: צריך עדיין לעבור OCR.

חדושי חתם סופר - ע''ז_1.pdf
בן יהוידע ח''א_1.pdf
בן יהוידע ח''ב_1.pdf

לכן אני רוצה סקריפט חכם שיבדוק אם מוצא את האות W , כי אולי זה סוג 1 או 2, וחבל סתם לעשות עוד פעם זיהוי תווים,
ורק אם לא מצא שאז יכול להיות שהסיבה היא כי זה סוג 3 אז ליתר ביטחון יחפש שוב לאחר שיעשה OCR לעמוד הראשון.

@אביי אני מחכה רק לך....

[yzahn]

@אלף-שין
א) במקום pypdf אני משתמש עכשיו ב-pymupdf
ב) תתקין במחשב שלך את זה

הקוד הבא עובד על שלושת הקבצים שהבאת,
אם יש לך עוד דוגמאות של קבצים שזה לא עובד עליהם אנא העלה את הקובץ לפה ונראה מה יש לעשות בנושא

הנה הקוד:

from pymupdf import pymupdf

def is_hebrewbooks_file(file_path):
  doc = pymupdf.open(file_path)
  page = doc[0]
  text = page.get_text()
  if text.find("hebrewbook") != -1:
    return True
  # if failed - try ocr
  ocr_text = page.get_textpage_ocr(tessdata=r"C:\Program Files\Tesseract-OCR\tessdata").extractText()
  if ocr_text.find("hebrewbook") != -1:
    return True
  return False

[יום חדש מתחיל]

@אלף-שין אני מבין שכל הקבצים נמצאים בתיקי' מסוימת, ויש שם גם עוד קבצים ואתה רוצה להפריד ביניהם.
אז למה אתה צריך דווקא סקריפט אחד שיעשה את שלשת השלבים הנ"ל, למה לא לעשות זאת בשלשה סקריפטים שונים, שתריץ כל אחד אחרי שהשני יגמור?

[yzahn]

@יום-חדש-מתחיל מה אתה מנסה להרוויח? כל מה שתעשה בשלושה סקריפטים תוכל לעשות בסקריפט אחד בצורה יותר יעילה

[יום חדש מתחיל]

@yzahn כי כפי שאני מבין, את שתי השלבים הראשונים כבר יש לו סקריפט, אז מה הוא צריך שבסקריפט הזה יכתבו גם את השלבים הנ"ל?

[אלף שין]

@yzahn
מדהים הסקריפט שלך פשוט עובד נפלא!!
תודה רבה!!

from pymupdf import pymupdf

def is_hebrewbooks_file(file_path):
  doc = pymupdf.open(file_path)
  page = doc[0]
  text = page.get_text()
  if text.find("hebrewbook") != -1:
    return True
  ocr_text = page.get_textpage_ocr(tessdata=r"C:\Program Files\Tesseract-OCR\tessdata").extractText()
  if ocr_text.find("hebrewbook") != -1:
    return True
  return False

file_path = "40809.pdf"  # replace with your file path
result = is_hebrewbooks_file(file_path)
print(result)

עכשיו אני רק צריך כמה שיפורים קטנים ואז זה יהיה מושלם!

1] שהסקריפט ירוץ בלולאה על כל הקבצים שנמצאים בתיקייה [שממנה אני מפעיל אותו], [כולל תתי תיקיות עד סוף כל הדורות] או לחילופין שאוכל לבחור עם ממשק גרפי יותר נחמד אבל לא קריטי...
אבל שלא יהיה ח"ו התנגשויות בין תהליכים של הסקריפט בגלל זה.....
2] שבמקום לענות לי אמת או שקר, הוא פשוט יעביר את כל הקבצים שהם אמת לתיקייה מסוימת, ולא רק להעתיק שיהיה לי כפול... אלא להעביר ולמחוק לגמרי מהמקור....
3] ו... הכי טוב מקומפל.....

מי שיכול לעזור בזה אודה לו עמוקות!

@האדם-החושב.

[אלף שין]

@אלף-שין

import os
import glob
from pymupdf import pymupdf
import shutil
import tkinter as tk
from tkinter import filedialog

def is_hebrewbooks_file(file_path):
    if not file_path.endswith('.pdf'):
        return False
    doc = pymupdf.open(file_path)
    page = doc[0]
    text = page.get_text()
    if text.find("W") != -1 or text.find("w") != -1:
        return True
    ocr_text = page.get_textpage_ocr(tessdata=r"C:\Program Files\Tesseract-OCR\tessdata").extractText()
    if ocr_text.find("W") != -1 or ocr_text.find("w") != -1:
        return True
    return False

def main():
    root = tk.Tk()
    root.title("HebrewBooks File Finder")

    label = tk.Label(root, text="Select a directory:")
    label.pack()

    dir_button = tk.Button(root, text="Browse", command=lambda: browse_dir())
    dir_button.pack()

    result_label = tk.Label(root, text="")
    result_label.pack()

    def browse_dir():
        dir_path = filedialog.askdirectory()
        if dir_path:
            current_dir = dir_path
            target_dir = "HebrewBooks"  # adjust this to your target directory
            os.makedirs(target_dir, exist_ok=True)  # create the target directory if it doesn't exist
            for root, dirs, files in os.walk(current_dir):
                for file in files:
                    file_path = os.path.join(root, file)
                    if os.path.isfile(file_path) and file_path.endswith('.pdf'):
                        if is_hebrewbooks_file(file_path):
                            shutil.move(file_path, os.path.join(target_dir, file))
                            result_label.config(text=f"Moved HebrewBook file: {file_path}")
                        else:
                            result_label.config(text="No HebrewBook files found")

    root.mainloop()

if __name__ == "__main__":
    main()

זה עושה הכל ב"ה!
[עדיין יש מעט קבצים שה OCR לא מצליח לזהות אותם]

מישהוא יכול רק לקמפל אותו?

[האדם החושב]

@אלף-שין
sort.exe

[אלף שין]

@האדם-החושב
עדכון לכולם:
שכללתי ודייקתי את הסקריפט הרבה יותר,
וכעת עובד ללא תקלות בס"ד,
וכעת אצרף אותו לטובת כולם.

import os
import glob
from pymupdf import pymupdf
import shutil
import tkinter as tk
from tkinter import filedialog
import re
from tkinter import ttk

def is_hebrewbooks_file(file_path):
    if not file_path.endswith('.pdf'):
        return False
    doc = pymupdf.open(file_path)
    page = doc[0]
    text = page.get_text()
    if (text.find("ww") != -1 or text.find("WW") != -1 or
            text.find("wbook") != -1 or text.find("WBOOK") != -1 or
            text.find("org") != -1 or
            re.search(r"https?://\S+", text) is not None):
        return True
    ocr_text = page.get_textpage_ocr(tessdata=r"C:\Program Files\Tesseract-OCR\tessdata").extractText()
    if (ocr_text.find("ww") != -1 or ocr_text.find("WW") != -1 or
            ocr_text.find("wbook") != -1 or ocr_text.find("WBOOK") != -1 or
            ocr_text.find("org") != -1 or
            re.search(r"https?://\S+", ocr_text) is not None):
        return True
    return False

def browse_dir():
    dir_path = filedialog.askdirectory()
    if dir_path:
        current_dir = dir_path
        target_dir = "HebrewBooks"  
        os.makedirs(target_dir, exist_ok=True)  
        for root, dirs, files in os.walk(current_dir):
            for file in files:
                file_path = os.path.join(root, file)
                if os.path.isfile(file_path) and file_path.endswith('.pdf'):
                    if is_hebrewbooks_file(file_path):
                        shutil.move(file_path, os.path.join(target_dir, file))
                        progressbar["value"] += 1
                        progressbar.update_idletasks()
                    else:
                        result_label.config(text="No HebrewBook files found")

def main():
    root = tk.Tk()
    root.title("HebrewBooks File Finder")

    label = tk.Label(root, text="Select a directory:")
    label.pack()

    dir_button = tk.Button(root, text="Browse", command=browse_dir)
    dir_button.pack()

    global progressbar
    progressbar = ttk.Progressbar(root, orient="horizontal", length=200, mode="determinate")
    progressbar.pack()

    global result_label
    result_label = tk.Label(root, text="")
    result_label.pack()

    root.mainloop()

if __name__ == "__main__":
    main()

ועכשיו אבקש שוב ממי שיכול לקמפל אותו, לטובת כולם תבוא עליו ברכה!

[ספריות שצריך להוריד:
1] pip install pymupdf.
2] את התוכנה הזאת להתקין במחשב
3] pip install pytesseract

עריכה-
קימפלתי בס"ד בהצלחה!
להעתיק ולהוריד כוכביות

[אלף שין]

@אלף-שין
עדכון:
סקריפט נוסף שממין אף הוא לפי המטא דאטה

import os
import PyPDF2
import shutil
from tkinter import Tk, filedialog, messagebox
from tkinter import *

class PDFSorter:
    def __init__(self, root):
        self.root = root
        self.root.title("PDF Sorter")
        self.script_path = os.path.dirname(__file__)
        self.folder_path = ""

        self.label_folder_path = Label(root, text="Select Folder:")
        self.label_folder_path.pack()
        self.button_folder_path = Button(root, text="Browse", command=self.browse_folder)
        self.button_folder_path.pack()
        self.entry_folder_path = Entry(root, textvariable=self.folder_path)
        self.entry_folder_path.pack()

        self.button_sort = Button(root, text="Sort PDFs", command=self.sort_pdfs)
        self.button_sort.pack()

    def browse_folder(self):
        self.folder_path = filedialog.askdirectory()
        self.entry_folder_path.delete(0, END)
        self.entry_folder_path.insert(0, self.folder_path)

    def get_meta_data(self, pdf_file):
        pdf = PyPDF2.PdfReader(pdf_file)
        meta_data = {}
        for key in pdf.metadata.keys():
            meta_data[key] = pdf.metadata[key]
        return meta_data

    def search_meta_data(self, meta_data, word):
        for key, value in meta_data.items():
            if isinstance(value, str) and word.lower() in value.lower():
                return True
        return False

    def sort_pdfs(self):
        if not self.folder_path:
            messagebox.showerror("Error", "Please select a folder")
            return

        destination_folder = os.path.join(self.script_path, 'Hebrew Box')
        if not os.path.exists(destination_folder):
            os.makedirs(destination_folder)

        for root, dirs, files in os.walk(self.folder_path):
            for file in files:
                if file.endswith('.pdf'):
                    pdf_file = os.path.join(root, file)
                    meta_data = self.get_meta_data(pdf_file)
                    if self.search_meta_data(meta_data, 'ID'):
                        dest_file_name = os.path.join(destination_folder, file)
                        if os.path.exists(dest_file_name):
                            counter = 1
                            while True:
                                new_file_name = f"{file.split('.')[0]}({counter}).{file.split('.')[1]}"
                                new_file_path = os.path.join(destination_folder, new_file_name)
                                if not os.path.exists(new_file_path):
                                    dest_file_name = new_file_path
                                    break
                                counter += 1
                        shutil.move(pdf_file, dest_file_name)

if __name__ == '__main__':
    root = Tk()
    pdf_sorter = PDFSorter(root)
    root.mainloop()

מקומפל
עריכה- משום מה המקומפל לא עובד לי לע"ע,
וצ"ע מ"ט,
@האדם-החושב תוכל לבדוק מדוע? ואם כבר אולי אפשר לעשות סקריפט אחד גדול ומסודר.

[אלף שין]

@yzahn כתב בשיתוף | שיתוף ובקשת עזרה, תוכנה למיון ספרים!:

א) במקום pypdf אני משתמש עכשיו ב-pymupdf
ב) תתקין במחשב שלך את זה

שאלתי את GPT
brought me the pymupdf model and told me to install software from this link https://github.com/UB-Mannheim/tesseract/releases/download/v5.4.0.20240606/tesseract-ocr-w64-setup-5.4.0.20240606.exe
The question is, how do you add Hebrew to the software [except for Script]

וענה לי

To add Hebrew support to Tesseract-OCR, you need to install the Hebrew language pack and training data. Here's a step-by-step guide to do so:

Step 1: Install the Hebrew language pack

1. Download the Hebrew language pack from the official Tesseract-OCR website: Hebrew Language Pack
2. Extract the downloaded ZIP file to a directory on your system, for example, C:\Tesseract\Hebrew

Step 2: Install the Hebrew training data

1. Download the Hebrew training data from the official Tesseract-OCR website: Hebrew Training Data
2. Extract the downloaded ZIP file to the same directory as the language pack, C:\Tesseract\Hebrew

Step 3: Add the Hebrew language pack to Tesseract-OCR

1. Open the Tesseract-OCR installation directory (the one where you installed the software from the link you provided). By default, this is usually C:\Program Files_Tisesseract-OCR-5.4.0.20240606.
2. Create a new directory named tessdata if it doesn't already exist.
3. Move the extracted Hebrew language pack and training data files (*.traineddata files) to the tessdata directory.

Here's the final structure:

C:\Program Files_Tisesseract-OCR-5.4.0.20240606
tessdata
heb.traineddata
hebr.traineddata
...

Step 4: Configure Tesseract-OCR to use the Hebrew language pack

1. Open a Command Prompt as an administrator.
2. Navigate to the Tesseract-OCR installation directory: cd C:\Program Files_Tisesseract-OCR-5.4.0.20240606
3. Run the following command to configure Tesseract-OCR to use the Hebrew language pack: tesseract -l heb path/to/your/pdf/file.pdf output

Replace path/to/your/pdf/file.pdf with the actual path to the PDF file you want to recognize.

Now, when you run your Python script with Pymupdf, Tesseract-OCR should recognize the Hebrew text in the PDF file with higher accuracy.

If you encounter any issues, you can check the Tesseract-OCR logs for errors by running tesseract -l heb -v 2 path/to/your/pdf/file.pdf output (replace 2 with the verbosity level you prefer).

התוכל לעזור לי בזה? [בפרט שהקישורים חסומים לי].

[אלף שין]

@אלף-שין

עדכון יום שלישי בבוקר:
בס"ד @האדם-החושב עשה סקריפט אחד מסודר ומדויק מאד!
הסקריפט כולל 4 שלבים למיון!
נסו ותהנו!

import os
from pymupdf import pymupdf
import re
import PyPDF2
import shutil
from tkinter import Tk, filedialog

def metadata(file_path):
        pdf = PyPDF2.PdfReader(file_path)
        meta_data = {}
        for key in pdf.metadata.keys():
            meta_data[key] = pdf.metadata[key]
        for key, value in meta_data.items():
            if isinstance(value, str) and metadata_word.lower() in value.lower():
                return True
        return False

def text_recognition(file_path):
    doc = pymupdf.open(file_path)
    page = doc[0]
    text = page.get_text()
    if (text.find("ww") != -1 or text.find("WW") != -1 or
            text.find("wbook") != -1 or text.find("WBOOK") != -1 or
            text.find("org") != -1 or
            re.search(r"https?://\S+", text) is not None):
        return True
    return False


def is_hebrewbooks_file_ocr_1(file_path):
    doc = pymupdf.open(file_path)
    page = doc[0]
    ocr_text = page.get_textpage_ocr(tessdata=r"C:\Program Files\Tesseract-OCR\tessdata").extractText()
    if (ocr_text.find("www") != -1 or ocr_text.find("WWW") != -1 or
            ocr_text.find("wbook") != -1 or ocr_text.find("WBOOK") != -1 or
            ocr_text.find("org") != -1 or
            re.search(r"https?://\S+", ocr_text) is not None):
        return True
    return False

def is_hebrewbooks_file_ocr_2(file_path):
    doc = pymupdf.open(file_path)
    page = doc[0]
    text = page.get_text()
    if (text.find("ww") != -1 or text.find("WW") != -1 or
            text.find("wbook") != -1 or text.find("WBOOK") != -1 or
            text.find("org") != -1 or
            re.search(r"https?://\S+", text) is not None):
        return True
    return False




def main():
    root = Tk()
    root.withdraw()
    books_folder = filedialog.askdirectory()
    global metadata_word
    metadata_word = "ID"
    for root, dirs, files in os.walk(books_folder):
        for file in files:
            file_path = os.path.join(root, file)
            if os.path.isfile(file_path) and file_path.endswith('.pdf'):
                if metadata(file_path):
                    target_dir = "metadata"
                elif text_recognition(file_path):
                    target_dir = "text recognition"
                elif is_hebrewbooks_file_ocr_1(file_path):
                    target_dir = "ocr 1"
                elif is_hebrewbooks_file_ocr_2(file_path):
                    target_dir = "ocr 2"
                else:
                    continue
                # Get the relative path from the source directory
                relative_path = os.path.relpath(file_path, books_folder)
                target_path = os.path.join(target_dir, relative_path)
                target_folder = os.path.dirname(target_path)
                os.makedirs(target_folder, exist_ok=True)
                shutil.move(file_path, target_path)

main()

והנה מי שרוצה תוכנה מקומפלת להורדה
[צריך להעתיק את הקישור ידנית [מקש ימני בעכבר על המילה להורדה] להדביק בשורת הכתובת בדפדפן, ולהוריד כוכביות!

נ"ב: אם מישהוא יודע ויכול, נשמח לשיפור קטן,
[להוסיף OCR בעברית לסקריפט,
כדי שהזיהוי יהיה יותר מדויק].

עדכון: בגלל הסירבול הרב כאן וכל הפוסטים הלא מסודרים וכו',
פתחתי על זה שרשור חדש ומאיר עיניים כאן.