app.py

import os
import tempfile
import gradio as gr
import pypdfium2 as pdfium
from PIL import Image
import torch
from transformers import AutoProcessor, VisionEncoderDecoderModel

# ========= 配置 =========
# 可通过 Space Settings -> Variables 设置这些环境变量
MODEL_ID = os.getenv("MODEL_ID", "facebook/nougat-small")  # small: CC-BY-4.0；base: CC-BY-NC-4.0
DEFAULT_DPI = int(os.getenv("DEFAULT_DPI", "144"))         # 96~288；越高越清晰但更耗时
MAX_PAGES   = int(os.getenv("MAX_PAGES", "20"))            # 限制一次处理页数，避免超时

# ========= 模型加载 =========
device = "cuda" if torch.cuda.is_available() else "cpu"
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = VisionEncoderDecoderModel.from_pretrained(MODEL_ID).to(device)

# ========= 工具函数 =========
def rasterize_pages(pdf_bytes: bytes, dpi: int = DEFAULT_DPI):
    """
    将 PDF bytes 渲染为 PIL.Image 列表（每页一张）。
    说明：pypdfium2 的 Page.render(scale=...) 返回位图；dpi/72 为常用缩放方式。
    """
    with tempfile.NamedTemporaryFile(suffix=".pdf") as tmp:
        tmp.write(pdf_bytes)
        tmp.flush()
        doc = pdfium.PdfDocument(tmp.name)
        images = []
        for i in range(len(doc)):
            page = doc.get_page(i)
            bitmap = page.render(scale=dpi/72.0)  # dpi/72 缩放
            img = bitmap.to_pil().convert("RGB")
            bitmap.close()
            page.close()
            images.append(img)
        doc.close()
    return images

def parse_pages_arg(pages_str: str, n_pages: int):
    """
    解析页码字符串：如 '1-4,7' 或 'all'
    返回 0-based 下标列表。
    """
    if not pages_str or pages_str.strip().lower() == "all":
        return list(range(n_pages))
    keep = []
    for span in pages_str.split(","):
        span = span.strip()
        if "-" in span:
            a, b = span.split("-")
            a = max(1, int(a)); b = min(n_pages, int(b))
            keep.extend(list(range(a-1, b)))
        else:
            k = int(span) - 1
            if 0 <= k < n_pages:
                keep.append(k)
    return sorted(set(keep))

# ========= 核心推理函数（UI 与 API 共用） =========
def convert_pdf(pdf_file, pages="all", dpi=DEFAULT_DPI):
    """
    输入：
      - pdf_file: Gradio File（浏览器上传的 PDF）
      - pages: 'all' 或 '1-4,7'
      - dpi: 渲染 DPI
    输出：
      - out_path: 生成的 .mmd 文件路径（供下载）
      - preview: Markdown 预览（前几页）
    """
    if pdf_file is None:
        raise gr.Error("请上传 PDF 文件")

    # 读取 PDF bytes 并兼容 gradio 不同版本的返回值（file-like / dict / 有 name 属性 / 路径）
    pdf_bytes = None
    if hasattr(pdf_file, "read"):  # file-like object
        pdf_bytes = pdf_file.read()
    elif isinstance(pdf_file, dict) and "name" in pdf_file:  # gradio 有时返回 dict {'name': path}
        with open(pdf_file["name"], "rb") as f:
            pdf_bytes = f.read()
    elif hasattr(pdf_file, "name") and isinstance(pdf_file.name, str):  # object with .name path
        with open(pdf_file.name, "rb") as f:
            pdf_bytes = f.read()
    else:
        # 兜底：尝试把对象当作路径处理
        try:
            p = str(pdf_file)
            if os.path.exists(p):
                with open(p, "rb") as f:
                    pdf_bytes = f.read()
        except Exception:
            pdf_bytes = None

    if pdf_bytes is None:
        raise gr.Error("无法读取上传的 PDF 文件（不支持的文件对象类型）")

    # 渲染 PDF 为图像
    images_all = rasterize_pages(pdf_bytes, dpi=int(dpi))

    # 页码选择与限制
    idx = parse_pages_arg(pages, len(images_all))
    if not idx:
        raise gr.Error("页码选择为空")
    if len(idx) > MAX_PAGES:
        idx = idx[:MAX_PAGES]

    # 逐页调用 Nougat 模型生成 Markdown
    md_pages = []
    for k in idx:
        img = images_all[k]
        inputs = processor(images=[img], return_tensors="pt").to(device)
        ids = model.generate(**inputs, max_length=4096)
        md = processor.batch_decode(ids, skip_special_tokens=True)[0]
        md_pages.append(md)

    # 保存到临时 .mmd 文件
    out_path = os.path.join(tempfile.gettempdir(), "nougat_output.mmd")
    with open(out_path, "w", encoding="utf-8") as f:
        f.write("\n\n".join(md_pages))

    # 预览（前若干页）
    preview = "\n\n".join(md_pages[:3])
    return out_path, preview

# ========= Gradio 应用（UI + API） =========
with gr.Blocks(title="Nougat OCR → Markdown") as demo:
    gr.Markdown(
        "# Nougat：PDF → Markdown\n"
        f"**模型**：`{MODEL_ID}` （small 为 CC‑BY‑4.0；base 为 CC‑BY‑NC‑4.0）。\n"
        "上传 PDF，选择页码与 DPI，点击转换即可下载 `.mmd`。\n"
    )
    with gr.Row():
        pdf = gr.File(label="上传 PDF", file_types=[".pdf"])
        pages = gr.Textbox(value="all", label="页码（如 1-4,7 或 all）")
        dpi = gr.Slider(96, 288, value=DEFAULT_DPI, step=12, label="渲染 DPI")
    btn = gr.Button("转换", variant="primary")
    out_file = gr.File(label="下载 Markdown（.mmd）")
    out_preview = gr.Markdown(label="预览（前几页）")

    # 队列可避免并发拥堵；也使 API 端口支持异步排队
    demo.queue(max_size=32)

    # 关键：为点击事件绑定一个可供 REST 调用的 api_name（对应 /api/predict）
    btn.click(convert_pdf, inputs=[pdf, pages, dpi], outputs=[out_file, out_preview], api_name="predict")

# （本地调试用；在 Spaces 中无需）
if __name__ == "__main__":
    demo.launch()