Class: VivlioStarter::Pdf::Reader

Inherits:
Object
  • Object
show all
Defined in:
lib/vivlio_starter/cli/pdf/reader.rb

Overview

HexaPDF ベースの高精度 PDF リーダー

テキスト座標解析・画像抽出・OCR 連携・イラスト領域自動検出を統合し、PDF → Markdown 変換パイプラインを提供する。

Defined Under Namespace

Classes: Fragment, IllustrationRegion, ImageAsset, ImageOccurrence, Line, OcrResult, OcrSettings, PageContent, PageTextCollector, RenderedPageCrop, ResolvedPage

Constant Summary collapse

MIN_ILLUSTRATION_AREA_RATIO =

— イラスト検出用定数 — イラスト領域とみなす最小面積比

0.02
ILLUSTRATION_TEXT_ASPECT_MAX =

テキスト領域と区別するアスペクト比上限

6.0
FOREGROUND_THRESHOLD =

前景検出の輝度閾値（この値未満のピクセルを前景とする）

210
ROW_ACTIVITY_STDDEV_SCALE =

行プロファイル閾値の標準偏差スケール係数

0.5
COLUMN_ACTIVITY_THRESHOLD =

列単位の前景活性度閾値

0.05
PROFILE_SMOOTHING_SIGMA_RATIO =

ガウシアン平滑化のシグマ比率（画像高さに対する割合）

0.012
MIN_PROFILE_SMOOTHING_SIGMA =

シグマの下限・上限

3
MAX_PROFILE_SMOOTHING_SIGMA = 
25

Instance Method Summary collapse

Constructor Details

#initialize(pdf_path, page_separator: true, text_area: nil, line_merge_tolerance: 2.0, images_dir: nil, image_reference_dir: nil, ocr: nil) ⇒ Reader

Returns a new instance of Reader.

Parameters:

  • pdf_path (String) —

    入力 PDF のパス

  • page_separator (Boolean) (defaults to: true) —

    ページ間に “—” を挿入するか

  • text_area (Hash, nil) (defaults to: nil) —

    テキスト抽出領域のマージン（pt 単位）

  • line_merge_tolerance (Float) (defaults to: 2.0) —

    同一行とみなす Y 座標差の閾値（pt）

  • images_dir (String, nil) (defaults to: nil) —

    画像の保存先ディレクトリ

  • image_reference_dir (String, nil) (defaults to: nil) —

    Markdown 内の画像参照パスの基底

  • ocr (Hash, nil) (defaults to: nil) —

    OCR 設定



233
234
235
236
237
238
239
240
241
 
# File 'lib/vivlio_starter/cli/pdf/reader.rb', line 233

def initialize(pdf_path, page_separator: true, text_area: nil, line_merge_tolerance: 2.0, images_dir: nil, image_reference_dir: nil, ocr: nil)
  @pdf_path = pdf_path
  @page_separator = page_separator != false
  @text_area = normalize_text_area(text_area)
  @line_merge_tolerance = line_merge_tolerance.to_f
  @images_dir = images_dir&.to_s&.strip
  @image_reference_dir = image_reference_dir&.to_s&.strip
  @ocr = normalize_ocr(ocr)
end

Instance Method Details

#execute ⇒ Hash

PDF を解析し、Markdown テキスト・画像アセット・メタデータを含む Hash を返す

Returns:

  • (Hash) —

    :markdown, :page_texts, :page_chunks, :pages, :images



245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
 
# File 'lib/vivlio_starter/cli/pdf/reader.rb', line 245

def execute
  document = HexaPDF::Document.open(pdf_path)
  page_texts = []
  page_chunks = []
  images = []

  document.pages.each_with_index do |page, index|
    resolution = nil

    begin
      content = extract_page_content(page, index)
      resolution = resolve_page_content(page, index, content)
      page_images = extract_page_images(page, resolution.content.image_occurrences, index,
                                        suppress_full_page_scans: resolution.ocr_applied)
      page_lines, image_captions = apply_inline_image_text_policy(resolution.content.lines, page_images)
      page_text = build_page_text(page_lines, resolution.content.text, image_captions)
      page_texts << page_text
      page_chunks << build_page_chunk(page_lines, page_images, page_text, image_captions:)
      images.concat(page_images)
    ensure
      cleanup_ocr_temp_dir(resolution&.ocr_temp_dir)
    end
  end

  {
    markdown: build_markdown(page_chunks),
    page_texts:,
    page_chunks:,
    pages: document.pages.count,
    images: images.map(&:to_h)
  }
end