searchISBN.py 7.82 KB
Newer Older
1
# -*- coding: UTF-8 -*-
2 3
import PyPDF2
import cStringIO
4
import sys, os
5 6
import re
import commands
7
import xmltodict as xmlparser
8
import slate
9
from pypdfocr import pypdfocr as pypdfocr
10

11 12
from time import sleep

13
import isbnPLUS
14
import OpenLibrary
15 16 17 18 19 20 21 22 23 24

def getPDFContent(path):
    content = ""
    num_pages = 10
    inpdf = PyPDF2.PdfFileReader(path)
    for i in range(0, num_pages):
        content += inpdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

25 26 27
def getTextFromMetadata( path ):
    return getPDFContent(path).encode("ascii", "ignore")

28 29 30 31 32
def getTextWithSlate( path, temporary_file_directory = '/tmp' ):
    tmp_file_path = temporary_file_directory + '/stripped.pdf'
    stripFirstAndLast10Pages( path, tmp_file_path )
    sleep(1000)
    f = open(tmp_file_path, "r")
33 34 35 36 37
    texts=slate.PDF(f)
    cnt = ""
    for pg in texts:
        cnt+=pg
    f.close()
38
    os.remove(tmp_file_path)
39 40
    return cnt

41 42 43
def getTextWithOCR( path, temporary_file_directory = '/tmp' ):
    tmp_file_path = temporary_file_directory + '/stripped.pdf'
    stripFirstAndLast10Pages( path, tmp_file_path )
44
    ocr = pypdfocr.PyPDFOCR()
45 46 47 48 49
    ocr.go( [tmp_file_path] )
    os.remove(tmp_file_path)
    tmp_ocr_path = emporary_file_directory + '/stripped_ocr.pdf'
    cnt = getTextFromMetadata( tmp_ocr_path )
    os.remove( tmp_ocr_path )
50 51 52
    return cnt


53
def searchISBNstrings( cnt ):
54 55
    bg = 0
    out = []
56
    #Da migliorare!
57 58
    pos = cnt.find("ISBN")
    while pos != -1 :
59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
        old_len=len(out)
        print "\x1b[33m[debug]\x1b[0m\t\tISBN string detected:\x1b[1m", cnt[pos:pos+40], "\x1b[22m"

        strippedisbn = ''
        isbnstr=cnt[pos:pos+40]
        for i in range( len(isbnstr) ):
            if isbnstr[i].isdigit() :
                strippedisbn += isbnstr[i]
            if  isbnstr[i] == 'x' or isbnstr[i] == 'X':#Se e' una X
                if len(strippedisbn) == 9 or ( len(strippedisbn) == 11 and strippedisbn[0:2] == '10' ):#e se e' nella posizione corretta per essere un carattere di controllo ISBN10
                    strippedisbn += isbnstr[i]

        #strippedisbn = re.sub("\D", "", cnt[pos:pos+40]) #Elimina i caratteri che non sono numeri
        print "\x1b[33m[debug]\x1b[0m\t\tStripped ISBN:", strippedisbn
        if len( strippedisbn ) >= 10: #Se ci sono meno di dieci numeri, boh che cazzo e'?
            if strippedisbn[0:2] == '10' and len( strippedisbn ) >= 12: #Puo' essere un ISBN10 con 10 davanti o un ISBN 10 senza il 10 davanti
                print "\x1b[33m[debug]\x1b[0m\t\tPenso sia un ISBN10."
                if checkISBN10( strippedisbn[2:12] ):
                     out.append( strippedisbn[2:12] )
                     print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
79
                     isbnPLUS.printMetadataForISBN( out[len(out)-1] )
80 81
                     OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                     print
82 83 84
                if checkISBN10( strippedisbn[0:10] ):
                     out.append( strippedisbn[0:10] )
                     print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
85
                     isbnPLUS.printMetadataForISBN( out[len(out)-1] )
86 87
                     OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                     print
Pol's avatar
Pol committed
88
            elif strippedisbn[0:2] == '13':#Puo' essere un ISBN10 che comincia con 13 oppure un ISBN13 con 13 davanti. Non può essere ISBN13 che inizia con 13 perché le prime 3 cifre sono sempre 978 per ISBN13
89 90 91 92
                print "\x1b[33m[debug]\x1b[0m\t\tPenso sia un ISBN13."
                if checkISBN10( strippedisbn[0:10] ):
                     out.append( strippedisbn[0:10] )
                     print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
93
                     isbnPLUS.printMetadataForISBN( out[len(out)-1] )
94 95
                     OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                     print
96 97 98
                if checkISBN13( strippedisbn[2:15] ):
                    out.append( strippedisbn[2:15] )
                    print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
99
                    isbnPLUS.printMetadataForISBN( out[len(out)-1] )
100 101
                    OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                    print
102 103 104 105 106
            else:
                print "\x1b[33m[debug]\x1b[0m\t\tNon so se sia un ISBN10 o un ISBN13."
                if checkISBN13( strippedisbn[0:13] ):
                    out.append( strippedisbn[0:13] )
                    print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
107
                    isbnPLUS.printMetadataForISBN( out[len(out)-1] )
108 109
                    OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                    print
110 111 112
                if checkISBN10( strippedisbn[0:10] ):
                    out.append( strippedisbn[0:10] )
                    print "\x1b[33m[debug]\x1b[0m\t\tAggiunto:\x1b[1m", out[len(out)-1], "\x1b[22m ",
113
                    isbnPLUS.printMetadataForISBN( out[len(out)-1] )
114 115
                    OpenLibrary.printMetadataForISBN( out[len(out)-1] )
                    print
116 117
        if len(out) == old_len:
            print "\x1b[33m[debug]\x1b[0m\t\t\x1b[1m\x1b[34mNon ho aggiunto nulla.\x1b[22m\x1b[0m "
118 119
        bg = pos
        pos = cnt.find("ISBN", bg+1 )
120

121 122 123 124
    if len( out ) == 0:
        return None
    else:
        return out
125

126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149
def checkISBN10( isbn ):
    if len( isbn ) != 10 :
        return False
    if not ( isbn[0:9].isdigit() and ( isbn[9].isdigit() or isbn[9] == 'X' or isbn[9] == 'x' ) ):
         return False

    checksum = 0
    multiplier = 10
    for char in isbn[0:9]:
        checksum += int( char ) * multiplier
        multiplier -= 1
    checksum = ( 11 - ( checksum % 11 ) ) % 11
    if ( isbn[9] == 'x' or isbn[9] == 'X' ):
        if checksum == 10:
            return True
        else:
            return False
    if checksum == int( isbn[9] ):
        return True
    return False

def checkISBN13( isbn ):
    if len( isbn ) != 13 :
        return False
150
    if not isbn[0:13].isdigit() :
151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169
         return False

    checksum = 0
    multiplier = 1
    for char in isbn[0:12]:
        checksum += int( char ) * multiplier
        if multiplier == 1:
            multiplier = 3
        else:
            multiplier = 1

    checksum = 10 - ( checksum % 10 )
    if checksum == 10 and int( isbn[12] ) == 0:
        return True
    if checksum == int( isbn[12] ):
        return True
    if checkISBN10(isbn[3:]): #Spesso trovo ISBN13 con la cifra di controllo non ricalcolata, ovvero la giustapposizione delle tre cifre 978 e dell'ISBN10, cosi' passano come buoni
        return True
    return False
170 171 172 173 174 175

def stripFirstAndLast10Pages( infile, outfile ):
    #Prova ad aprire il file di input
    try:
        book = PyPDF2.PdfFileReader( infile )
    except:
176
        print '[Tesseract]\tNon e\' stato possibile aprire il file di input specificato, controlla l\'indirizzo e i permessi',
177 178 179 180 181 182 183 184 185 186 187 188 189
        print 'di accesso al file.'
        exit()
        #Prova ad aprire il file di output
    #Prova ad aprire il file di output
    try:
        outf = open( outfile, "wb+" )
    except:
        print 'Non e\' stato possibile creare il file di output specificato, controlla i permessi',
        print 'di scrittura nella cartella specificata.'
        exit()

    stripped_book = PyPDF2.PdfFileWriter()
    num_pg = book.getNumPages()
190 191 192 193 194 195 196 197 198 199 200 201

    #If the book is bigger then 20 pages takes the first and the last 10 otherwise it takes all the pages in the PDF.
    if num_pg >= 20:
        for i in range( 10 ):
            stripped_book.addPage( book.getPage( i ) )

        for i in range( 10 ):
            stripped_book.addPage( book.getPage( num_pg - i - 1 ) )
    else:
        for i in range( num_pg ):
            stripped_book.addPage( book.getPage( i ) )

202 203
    stripped_book.write(outf)
    outf.close()