iamge2text

import pytesseract
import boto3
from PIL import Image
import os
import json
import hashlib
import datetime

os.environ.setdefault('AWS_DEFAULT_REGION', 'us-east-1')
os.environ.setdefault('AWS_ACCESS_KEY_ID', '')
os.environ.setdefault('AWS_SECRET_ACCESS_KEY', '')


def create_hash_id(filename):
    # Crear el objeto hash SHA-1
    sha1 = hashlib.sha1()

    # Convertir el nombre del archivo a bytes y actualizar el objeto hash
    sha1.update(filename.encode())

    # Devolver el hash id como una cadena hexadecimal
    return sha1.hexdigest()


def extract_text_from_image(image_path):
    # Configura el cliente de Textract
    client = boto3.client('textract')
    
    # Lee el archivo de imagen en bytes
    with open(image_path, 'rb') as image:
        img_bytes = image.read()
    
    # Llama al API de Textract para extraer el texto
    response = client.detect_document_text(Document={'Bytes': img_bytes})
    
    # Extrae el texto encontrado en la imagen
    text = ""
    for item in response["Blocks"]:
        if item["BlockType"] == "LINE":
            text += item["Text"] + "\n"
    
    # Devuelve el texto encontrado
    return text.strip()

def list_images(directory):
    # Lista de extensiones de archivo de imagen
    extensions = ('.jpg', '.jpeg', '.png', '.bmp', '.gif')

    # Lista de paths absolutos de las imágenes
    image_paths = []

    # Recorrer todos los archivos en el directorio
    for root, dirs, files in os.walk(directory):
        for filename in files:
            # Comprobar si la extensión del archivo corresponde a una imagen
            if filename.lower().endswith(extensions) and 'checkpoint' not in filename:
                # Agregar el path absoluto del archivo a la lista de imágenes
                image_path = os.path.join(root, filename)
                image_paths.append(os.path.abspath(image_path))

    return sorted(image_paths)


def crear_ruta_directorios(path):
    """
    Crea todos los directorios en la ruta especificada si no existen.
    """
    # Divide la ruta en una lista de nombres de directorios
    directorios = path.split(os.path.sep)
    
    # Inicializa la ruta actual como la raíz
    ruta_actual = os.path.sep
    
    # Recorre cada directorio en la ruta
    for directorio in directorios:
        # Concatena el directorio actual con el siguiente en la ruta
        ruta_actual = os.path.join(ruta_actual, directorio)
        
        # Comprueba si el directorio ya existe
        if not os.path.exists(ruta_actual):
            # Si no existe, crea el directorio
            os.mkdir(ruta_actual)

def image2text(source, target):
    crear_ruta_directorios(target)
    images = list_images(source)
    results = []

    for image in images:
        content = extract_text_from_image(image)
        results.append(content)

        output = os.path.join(target, os.path.basename(image) + '.txt')
        with open(output, 'w') as f:
            print("Almacenando content en %s " % output)
            f.write(content)

ROOT_PATH = os.getcwd()
INPUT = os.path.join(ROOT_PATH, 'images')
OUTPUT = os.path.join(ROOT_PATH, 'text')

image2text(INPUT, OUTPUT)