pagextract

English

Личный пайплайн для превращения сканов задачников в распечатки: страница с условием + соответствующие решения → один Word-документ.

Сделан под школьные и вузовские задачники (Лукашик и аналоги): рядом нужны и скан исходной формулировки, и скачанные решения — для офлайн-работы и печати.

Масштаб

За время использования инструмента:

Обработано задачников	~10
Страниц исходного текста/сканов	~3 000
Сгенерировано файлов-распечаток	~80
Напечатано страниц материалов	~20 000

Это не демо — реальный рабочий процесс подготовки учебных материалов.

Пайплайн

flowchart LR
  A[Скан PDF] --> B[Разбивка страниц → картинки]
  B --> C[OCR / номера задач]
  C --> D[problem_ranges.json]
  D --> E[Ручная правка]
  E --> F[Подложить решения с ГДЗ]
  F --> G[copypaster → output.docx]

Loading

1. Вырезать страницы из полного PDF-скана задачника (cpdf, ImageMagick).
2. OCR картинок страниц — восстановить номера задач и сопоставить их с диапазонами страниц.
3. Human-in-the-loop: при ошибках OCR править problem_ranges_edited.json; проверять через verify_ranges.py.
4. Собрать решения (userscript → workdir/sol/), пропуски — через check_missing_sol.py.
5. Собрать документ: картинки условий + картинки решений → output.docx скриптом copypaster.py.

Эволюция OCR

Интересная инженерная часть — распознавание номеров с учётом вёрстки (luk/, luk/mytesseract/): обёртка над выводом Tesseract (строки, геометрия), основные задачи и «Д.»-задачи, проверка последовательности номеров.

На практике Tesseract на этих сканах давал слишком много шума. Дальше пробовали EasyOCR. Рабочий вариант, которым реально гоняли материалы: авточерновик диапазонов + ручная правка — прагматичный human-in-the-loop вместо погони за 100% точностью OCR.

Стек

• Python, OpenCV, Pillow
• Tesseract / EasyOCR (эксперименты и черновики)
• python-docx для финальной сборки
• Снаружи: cpdf, ImageMagick

Структура репозитория

Путь	Назначение
config.py	Рабочая директория проекта и расширения картинок
img_to_data.py	OCR страниц → JSON с абзацами
batch.py	Черновик problem_ranges.json по результату OCR
verify_ranges.py / check_missing_sol.py	Проверки
copypaster.py	Сборка финального DOCX
luk/	Модель задач/вёрстки и обёртки над Tesseract

Рабочие данные по каждому задачнику лежали в projects/<book>/ (src/, pars/, sol/, JSON с диапазонами) — для понимания кода они не обязательны.

Статус

Личный production-инструмент. Пайплайн выше использовался в описанном масштабе; репозиторий сохранён как запись этой системы, а не как отполированная библиотека.