0.9 OCR转PDF

.idea/misc.xml

@@ -1,4 +1,7 @@
 <?xml version="1.0" encoding="UTF-8"?>
 <project version="4">
+  <component name="Black">
+    <option name="sdkName" value="Python 3.9 (OCRmyPDF-GUI)" />
+  </component>
   <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.9 (OCRmyPDF-GUI)" project-jdk-type="Python SDK" />
 </project>

README.md

@@ -0,0 +1,141 @@
+# OCRmyPDF GUI
+
+OCRmyPDF的图形用户界面，让OCR处理PDF文件变得简单。
+
+## 功能特点
+
+- 简洁直观的图形界面
+- 批量处理PDF文件
+- 拖放支持
+- 多语言OCR支持
+- 可自定义OCR选项
+- 保存处理配置
+
+## 安装要求
+
+- Python 3.7+
+- OCRmyPDF
+- Tesseract OCR
+- PySide6 (Qt for Python)
+
+## 安装步骤
+
+1. 安装OCRmyPDF和其依赖：
+
+```bash
+# macOS
+brew install ocrmypdf
+
+# Ubuntu/Debian
+apt install ocrmypdf
+
+# 或使用pip
+pip install ocrmypdf
+```
+
+2. 安装GUI依赖：
+
+```bash
+pip install PySide6
+```
+
+3. 克隆本仓库：
+
+```bash
+git clone https://github.com/yourusername/OCRmyPDF-GUI.git
+cd OCRmyPDF-GUI
+```
+
+## 安装Tesseract语言包
+
+默认情况下，OCRmyPDF只安装英语语言包。要使用其他语言进行OCR，需要安装额外的语言包：
+
+### macOS
+
+```bash
+# 安装所有语言包
+brew install tesseract-lang
+
+# 或者手动安装特定语言包
+# 1. 下载语言包文件，例如简体中文：
+# https://github.com/tesseract-ocr/tessdata/raw/main/chi_sim.traineddata
+# 2. 复制到Tesseract的tessdata目录：
+# sudo cp chi_sim.traineddata /opt/homebrew/share/tessdata/
+# 或
+# sudo cp chi_sim.traineddata /usr/local/share/tessdata/
+```
+
+### Ubuntu/Debian
+
+```bash
+# 安装特定语言包，例如简体中文：
+sudo apt-get install tesseract-ocr-chi-sim
+
+# 查看所有可用语言包：
+apt-cache search tesseract-ocr
+```
+
+### Fedora
+
+```bash
+# 安装特定语言包，例如简体中文：
+sudo dnf install tesseract-langpack-chi_sim
+
+# 查看所有可用语言包：
+dnf search tesseract
+```
+
+### Windows
+
+1. 从以下网址下载所需语言包文件：
+   https://github.com/tesseract-ocr/tessdata/
+
+2. 将下载的`.traineddata`文件放置在Tesseract安装目录的tessdata文件夹中，通常位于：
+   `C:\Program Files\Tesseract-OCR\tessdata`
+
+### 常用语言代码
+
+- `eng` - 英语
+- `chi_sim` - 简体中文
+- `chi_tra` - 繁体中文
+- `jpn` - 日语
+- `kor` - 韩语
+- `fra` - 法语
+- `deu` - 德语
+- `rus` - 俄语
+- `spa` - 西班牙语
+- `ita` - 意大利语
+
+更多信息请参考：[OCRmyPDF语言包文档](https://ocrmypdf.readthedocs.io/en/latest/languages.html)
+
+## 使用方法
+
+运行启动脚本：
+
+```bash
+python run.py
+```
+
+或在Windows上双击`run.py`文件。
+
+## 开发计划
+
+- [ ] 高级OCR选项
+- [ ] 多语言界面
+- [ ] 暗黑模式
+- [ ] 自定义输出文件名模板
+- [ ] 处理历史记录
+
+## 贡献
+
+欢迎提交Pull Request或Issue。
+
+## 许可证
+
+本项目采用与OCRmyPDF相同的许可证。
+
+## 致谢
+
+- [OCRmyPDF](https://github.com/ocrmypdf/OCRmyPDF) - 强大的OCR工具
+- [Tesseract OCR](https://github.com/tesseract-ocr/tesseract) - OCR引擎
+- [Qt for Python (PySide6)](https://wiki.qt.io/Qt_for_Python) - GUI框架 

ocrmypdf-gui/README.md

@@ -1,79 +0,0 @@
-# OCRmyPDF GUI
-
-OCRmyPDF的图形用户界面，让OCR处理PDF文件变得简单。
-
-## 功能特点
-
-- 简洁直观的图形界面
-- 批量处理PDF文件
-- 拖放支持
-- 多语言OCR支持
-- 可自定义OCR选项
-- 保存处理配置
-
-## 安装要求
-
-- Python 3.7+
-- OCRmyPDF
-- Tesseract OCR
-- PySide6 (Qt for Python)
-
-## 安装步骤
-
-1. 安装OCRmyPDF和其依赖：
-
-```bash
-# macOS
-brew install ocrmypdf
-
-# Ubuntu/Debian
-apt install ocrmypdf
-
-# 或使用pip
-pip install ocrmypdf
-```
-
-2. 安装GUI依赖：
-
-```bash
-pip install PySide6
-```
-
-3. 克隆本仓库：
-
-```bash
-git clone https://github.com/yourusername/OCRmyPDF-GUI.git
-cd OCRmyPDF-GUI
-```
-
-## 使用方法
-
-运行启动脚本：
-
-```bash
-python run.py
-```
-
-或在Windows上双击`run.py`文件。
-
-## 开发计划
-
-- [ ] 高级OCR选项
-- [ ] 多语言界面
-- [ ] 暗黑模式
-- [ ] 自定义输出文件名模板
-- [ ] 处理历史记录
-
-## 贡献
-
-欢迎提交Pull Request或Issue。
-
-## 许可证
-
-本项目采用与OCRmyPDF相同的许可证。
-
-## 致谢
-
-- [OCRmyPDF](https://github.com/ocrmypdf/OCRmyPDF) - 强大的OCR工具
-- [Tesseract OCR](https://github.com/tesseract-ocr/tesseract) - OCR引擎
-- [Qt for Python (PySide6)](https://wiki.qt.io/Qt_for_Python) - GUI框架 

src/core/ocr_engine.py

@@ -19,11 +19,76 @@ class OCREngine:
             )
             if result.returncode == 0:
                 self.logger.info(f"OCRmyPDF命令行工具可用: {result.stdout.strip()}")
+                # 获取支持的语言列表
+                self.available_languages = self.get_available_languages()
+                self.logger.info(f"可用的OCR语言: {', '.join(self.available_languages)}")
             else:
                 self.logger.warning("OCRmyPDF命令行工具返回错误")
+                self.available_languages = []
         except FileNotFoundError:
             self.logger.error("OCRmyPDF命令行工具未找到")
+            self.available_languages = []
     
+    def get_available_languages(self):
+        """获取系统中已安装的Tesseract语言包列表"""
+        try:
+            result = subprocess.run(
+                ["tesseract", "--list-langs"],
+                capture_output=True,
+                text=True,
+                check=False
+            )
+            if result.returncode == 0:
+                # 解析输出，跳过第一行（标题行）
+                languages = result.stdout.strip().split('\n')[1:]
+                return [lang.strip() for lang in languages]
+            return []
+        except Exception as e:
+            self.logger.error(f"获取语言列表失败: {e}")
+            return []
+
+    def get_language_name(self, lang_code):
+        """获取语言代码对应的显示名称"""
+        language_names = {
+            'eng': '英语 (English)',
+            'chi_sim': '简体中文 (Chinese Simplified)',
+            'chi_tra': '繁体中文 (Chinese Traditional)',
+            'jpn': '日语 (Japanese)',
+            'kor': '韩语 (Korean)',
+            'fra': '法语 (French)',
+            'deu': '德语 (German)',
+            'rus': '俄语 (Russian)',
+            'spa': '西班牙语 (Spanish)',
+            'ita': '意大利语 (Italian)',
+            'por': '葡萄牙语 (Portuguese)',
+            'nld': '荷兰语 (Dutch)',
+            'ara': '阿拉伯语 (Arabic)',
+            'hin': '印地语 (Hindi)',
+            'vie': '越南语 (Vietnamese)',
+            'tha': '泰语 (Thai)',
+            'tur': '土耳其语 (Turkish)',
+            'heb': '希伯来语 (Hebrew)',
+            'swe': '瑞典语 (Swedish)',
+            'fin': '芬兰语 (Finnish)',
+            'dan': '丹麦语 (Danish)',
+            'nor': '挪威语 (Norwegian)',
+            'pol': '波兰语 (Polish)',
+            'ukr': '乌克兰语 (Ukrainian)',
+            'ces': '捷克语 (Czech)',
+            'slk': '斯洛伐克语 (Slovak)',
+            'hun': '匈牙利语 (Hungarian)',
+            'ron': '罗马尼亚语 (Romanian)',
+            'bul': '保加利亚语 (Bulgarian)',
+            'ell': '希腊语 (Greek)',
+            'ind': '印度尼西亚语 (Indonesian)',
+            'msa': '马来语 (Malay)',
+            'cat': '加泰罗尼亚语 (Catalan)',
+            'lav': '拉脱维亚语 (Latvian)',
+            'lit': '立陶宛语 (Lithuanian)',
+            'est': '爱沙尼亚语 (Estonian)'
+        }
+        return language_names.get(lang_code, lang_code)
+
     def process_file(self, input_file, output_file, options=None):
         """
         使用OCRmyPDF处理单个文件
@@ -44,8 +109,13 @@ class OCREngine:
         # 构建命令行参数
         cmd = ["ocrmypdf"]
         
-        # 添加语言选项 - 默认使用英文
+        # 添加语言选项
-        cmd.extend(["-l", "eng"])
+        lang = options.get('language', 'eng')
+        if lang in self.available_languages:
+            cmd.extend(["-l", lang])
+        else:
+            self.logger.warning(f"不支持的语言: {lang}，使用默认语言(eng)")
+            cmd.extend(["-l", "eng"])
         
         # 添加其他选项
         if options.get('deskew', False):
@@ -57,6 +127,10 @@ class OCREngine:
         if options.get('clean', False):
             cmd.append("--clean")
             
+        if options.get('optimize', False):
+            cmd.append("-O")
+            cmd.append("1")  # 使用级别1的优化
+            
         if 'jobs' in options:
             cmd.extend(["--jobs", str(options['jobs'])])
             

src/gui/batch_dialog.py

@@ -108,6 +108,54 @@ class BatchDialog(QDialog):
         ocr_group = QGroupBox("OCR选项")
         ocr_layout = QVBoxLayout(ocr_group)
         
+        # 语言选择
+        language_layout = QHBoxLayout()
+        language_layout.addWidget(QLabel("OCR语言:"))
+        self.language_combo = QComboBox()
+        self.language_combo.setToolTip("选择OCR识别使用的语言")
+        
+        # 添加可用的语言
+        # 常用语言列表
+        common_langs = ['eng', 'chi_sim', 'chi_tra', 'jpn', 'kor']
+        
+        # 首先添加常用语言
+        if self.ocr_engine.available_languages:
+            # 添加常用语言组
+            common_available = [lang for lang in common_langs if lang in self.ocr_engine.available_languages]
+            if common_available:
+                self.language_combo.addItem("--- 常用语言 ---", None)
+                for lang_code in common_available:
+                    lang_name = self.ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+                
+                # 添加其他语言组
+                other_available = [lang for lang in self.ocr_engine.available_languages 
+                                  if lang not in common_langs]
+                if other_available:
+                    self.language_combo.addItem("--- 其他语言 ---", None)
+                    # 按名称排序
+                    other_langs_sorted = sorted(
+                        other_available,
+                        key=lambda x: self.ocr_engine.get_language_name(x)
+                    )
+                    for lang_code in other_langs_sorted:
+                        lang_name = self.ocr_engine.get_language_name(lang_code)
+                        self.language_combo.addItem(lang_name, lang_code)
+            else:
+                # 如果没有常用语言，直接添加所有语言
+                for lang_code in self.ocr_engine.available_languages:
+                    lang_name = self.ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+            
+        # 设置默认语言
+        default_lang = self.config.get('default_options.language', 'eng')
+        index = self.language_combo.findData(default_lang)
+        if index >= 0:
+            self.language_combo.setCurrentIndex(index)
+            
+        language_layout.addWidget(self.language_combo)
+        ocr_layout.addLayout(language_layout)
+        
         # 使用配置文件
         config_layout = QHBoxLayout()
         config_layout.addWidget(QLabel("使用配置文件:"))
@@ -273,12 +321,31 @@ class BatchDialog(QDialog):
             return
         
         # 收集OCR选项
-        options = {
+        options = {}
+        
+        # 获取选中的语言代码
+        lang_index = self.language_combo.currentIndex()
+        lang_data = self.language_combo.itemData(lang_index)
+        if lang_data:  # 确保不是分隔符
+            options["language"] = lang_data
+        else:
+            # 如果选中了分隔符，尝试找到下一个有效选项
+            for i in range(lang_index + 1, self.language_combo.count()):
+                next_data = self.language_combo.itemData(i)
+                if next_data:
+                    self.language_combo.setCurrentIndex(i)
+                    options["language"] = next_data
+                    break
+            # 如果没有找到，使用默认语言
+            if "language" not in options:
+                options["language"] = "eng"
+        
+        options.update({
             "deskew": self.deskew_cb.isChecked(),
             "rotate_pages": self.rotate_cb.isChecked(),
             "clean": self.clean_cb.isChecked(),
             "optimize": self.optimize_cb.isChecked()
-        }
+        })
         
         # 禁用UI元素
         self.start_btn.setEnabled(False)

src/gui/main_window.py

@@ -109,6 +109,54 @@ class MainWindow(QMainWindow):
         options_group = QGroupBox("OCR选项")
         options_layout = QVBoxLayout(options_group)
         
+        # 语言选择
+        language_layout = QHBoxLayout()
+        language_layout.addWidget(QLabel("OCR语言:"))
+        self.language_combo = QComboBox()
+        self.language_combo.setToolTip("选择OCR识别使用的语言")
+        
+        # 添加可用的语言
+        # 常用语言列表
+        common_langs = ['eng', 'chi_sim', 'chi_tra', 'jpn', 'kor']
+        
+        # 首先添加常用语言
+        if self.ocr_engine.available_languages:
+            # 添加常用语言组
+            common_available = [lang for lang in common_langs if lang in self.ocr_engine.available_languages]
+            if common_available:
+                self.language_combo.addItem("--- 常用语言 ---", None)
+                for lang_code in common_available:
+                    lang_name = self.ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+                
+                # 添加其他语言组
+                other_available = [lang for lang in self.ocr_engine.available_languages 
+                                  if lang not in common_langs]
+                if other_available:
+                    self.language_combo.addItem("--- 其他语言 ---", None)
+                    # 按名称排序
+                    other_langs_sorted = sorted(
+                        other_available,
+                        key=lambda x: self.ocr_engine.get_language_name(x)
+                    )
+                    for lang_code in other_langs_sorted:
+                        lang_name = self.ocr_engine.get_language_name(lang_code)
+                        self.language_combo.addItem(lang_name, lang_code)
+            else:
+                # 如果没有常用语言，直接添加所有语言
+                for lang_code in self.ocr_engine.available_languages:
+                    lang_name = self.ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+            
+        # 设置默认语言
+        default_lang = self.config.get('default_options.language', 'eng')
+        index = self.language_combo.findData(default_lang)
+        if index >= 0:
+            self.language_combo.setCurrentIndex(index)
+            
+        language_layout.addWidget(self.language_combo)
+        options_layout.addLayout(language_layout)
+        
         # 处理选项
         self.deskew_cb = QCheckBox("自动校正倾斜页面")
         self.deskew_cb.setChecked(self.config.get('default_options.deskew', True))
@@ -284,12 +332,31 @@ class MainWindow(QMainWindow):
             return
         
         # 收集OCR选项
-        options = {
+        options = {}
+        
+        # 获取选中的语言代码
+        lang_index = self.language_combo.currentIndex()
+        lang_data = self.language_combo.itemData(lang_index)
+        if lang_data:  # 确保不是分隔符
+            options["language"] = lang_data
+        else:
+            # 如果选中了分隔符，尝试找到下一个有效选项
+            for i in range(lang_index + 1, self.language_combo.count()):
+                next_data = self.language_combo.itemData(i)
+                if next_data:
+                    self.language_combo.setCurrentIndex(i)
+                    options["language"] = next_data
+                    break
+            # 如果没有找到，使用默认语言
+            if "language" not in options:
+                options["language"] = "eng"
+        
+        options.update({
             "deskew": self.deskew_cb.isChecked(),
             "rotate_pages": self.rotate_cb.isChecked(),
             "clean": self.clean_cb.isChecked(),
             "optimize": self.optimize_cb.isChecked()
-        }
+        })
         
         # 禁用UI元素
         self.start_btn.setEnabled(False)

src/gui/settings.py

@@ -1,11 +1,12 @@
 from PySide6.QtWidgets import (
     QDialog, QVBoxLayout, QHBoxLayout, QTabWidget,
     QPushButton, QLabel, QComboBox, QCheckBox,
-    QGroupBox, QSpinBox, QRadioButton
+    QGroupBox, QSpinBox, QRadioButton, QMessageBox
 )
 from PySide6.QtCore import Qt
 
 from src.core.config import Config
+from src.core.ocr_engine import OCREngine
 
 class SettingsDialog(QDialog):
     """设置对话框"""
@@ -103,6 +104,62 @@ class SettingsDialog(QDialog):
         """设置OCR选项卡"""
         layout = QVBoxLayout(tab)
         
+        # 默认语言
+        language_group = QGroupBox("默认OCR语言")
+        language_layout = QVBoxLayout(language_group)
+        
+        self.language_combo = QComboBox()
+        self.language_combo.setToolTip("选择默认的OCR识别语言")
+        
+        # 添加可用的语言
+        ocr_engine = OCREngine()
+        # 常用语言列表
+        common_langs = ['eng', 'chi_sim', 'chi_tra', 'jpn', 'kor']
+        
+        # 首先添加常用语言
+        if ocr_engine.available_languages:
+            # 添加常用语言组
+            common_available = [lang for lang in common_langs if lang in ocr_engine.available_languages]
+            if common_available:
+                self.language_combo.addItem("--- 常用语言 ---", None)
+                for lang_code in common_available:
+                    lang_name = ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+                
+                # 添加其他语言组
+                other_available = [lang for lang in ocr_engine.available_languages 
+                                  if lang not in common_langs]
+                if other_available:
+                    self.language_combo.addItem("--- 其他语言 ---", None)
+                    # 按名称排序
+                    other_langs_sorted = sorted(
+                        other_available,
+                        key=lambda x: ocr_engine.get_language_name(x)
+                    )
+                    for lang_code in other_langs_sorted:
+                        lang_name = ocr_engine.get_language_name(lang_code)
+                        self.language_combo.addItem(lang_name, lang_code)
+            else:
+                # 如果没有常用语言，直接添加所有语言
+                for lang_code in ocr_engine.available_languages:
+                    lang_name = ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+            
+        # 设置当前默认语言
+        default_lang = self.config.get('default_options.language', 'eng')
+        index = self.language_combo.findData(default_lang)
+        if index >= 0:
+            self.language_combo.setCurrentIndex(index)
+        
+        # 添加刷新语言列表按钮
+        lang_buttons_layout = QHBoxLayout()
+        self.refresh_langs_btn = QPushButton("刷新语言列表")
+        self.refresh_langs_btn.clicked.connect(self.refresh_languages)
+        lang_buttons_layout.addWidget(self.refresh_langs_btn)
+            
+        language_layout.addWidget(self.language_combo)
+        language_layout.addLayout(lang_buttons_layout)
+        
         # 默认选项
         options_group = QGroupBox("默认处理选项")
         options_layout = QVBoxLayout(options_group)
@@ -191,6 +248,23 @@ class SettingsDialog(QDialog):
         self.config.set('general.max_recent_files', self.recent_files_spin.value())
         
         # 保存OCR设置
+        # 获取选中的语言代码
+        lang_index = self.language_combo.currentIndex()
+        lang_data = self.language_combo.itemData(lang_index)
+        if lang_data:  # 确保不是分隔符
+            self.config.set('default_options.language', lang_data)
+        else:
+            # 如果选中了分隔符，尝试找到下一个有效选项
+            for i in range(lang_index + 1, self.language_combo.count()):
+                next_data = self.language_combo.itemData(i)
+                if next_data:
+                    self.language_combo.setCurrentIndex(i)
+                    self.config.set('default_options.language', next_data)
+                    break
+            # 如果没有找到，使用默认语言
+            if not self.language_combo.currentData():
+                self.config.set('default_options.language', 'eng')
+        
         self.config.set('default_options.deskew', self.deskew_cb.isChecked())
         self.config.set('default_options.rotate_pages', self.rotate_cb.isChecked())
         self.config.set('default_options.clean', self.clean_cb.isChecked())
@@ -209,3 +283,58 @@ class SettingsDialog(QDialog):
             self.config.set('ui.theme', 'system')
         
         super().accept()
+
+    def refresh_languages(self):
+        """刷新可用语言列表"""
+        ocr_engine = OCREngine()
+        # 重新获取可用语言
+        ocr_engine.available_languages = ocr_engine.get_available_languages()
+        
+        # 保存当前选择的语言
+        current_lang = self.language_combo.currentData()
+        
+        # 清空并重新填充语言列表
+        self.language_combo.clear()
+        
+        # 常用语言列表
+        common_langs = ['eng', 'chi_sim', 'chi_tra', 'jpn', 'kor']
+        
+        # 首先添加常用语言
+        if ocr_engine.available_languages:
+            # 添加常用语言组
+            common_available = [lang for lang in common_langs if lang in ocr_engine.available_languages]
+            if common_available:
+                self.language_combo.addItem("--- 常用语言 ---", None)
+                for lang_code in common_available:
+                    lang_name = ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+                
+                # 添加其他语言组
+                other_available = [lang for lang in ocr_engine.available_languages 
+                                  if lang not in common_langs]
+                if other_available:
+                    self.language_combo.addItem("--- 其他语言 ---", None)
+                    # 按名称排序
+                    other_langs_sorted = sorted(
+                        other_available,
+                        key=lambda x: ocr_engine.get_language_name(x)
+                    )
+                    for lang_code in other_langs_sorted:
+                        lang_name = ocr_engine.get_language_name(lang_code)
+                        self.language_combo.addItem(lang_name, lang_code)
+            else:
+                # 如果没有常用语言，直接添加所有语言
+                for lang_code in ocr_engine.available_languages:
+                    lang_name = ocr_engine.get_language_name(lang_code)
+                    self.language_combo.addItem(lang_name, lang_code)
+        
+        # 尝试恢复之前选择的语言
+        index = self.language_combo.findData(current_lang)
+        if index >= 0:
+            self.language_combo.setCurrentIndex(index)
+        
+        QMessageBox.information(self, "刷新完成", f"已刷新语言列表，共找到 {len(ocr_engine.available_languages)} 种语言。")
+    
+    def download_language_pack(self):
+        """下载Tesseract语言包 - 已移除"""
+        pass