Read complete PDFs and surface per-page OCR failures

src/services/pdfText.js

@@ -1,80 +1,52 @@
-/**
- * PDF'ten metin çıkarma (tarayıcı içinde, pdfjs-dist ile).
- * Dinamik import edilir — ana bundle'a girmez.
- */
+import { readPdfPages } from './pdfDocumentReader.js';
 
-export async function extractPdfText(file, { maxPages = 40 } = {}) {
+async function openPdf(file) {
   const pdfjs = await import('pdfjs-dist');
-  // Worker'ı Vite'ın bundle ettiği dosyadan al (CDN'e çıkmaz)
-  const workerUrl = (await import('pdfjs-dist/build/pdf.worker.min.mjs?url')).default;
-  pdfjs.GlobalWorkerOptions.workerSrc = workerUrl;
-
-  const buf = await file.arrayBuffer();
-  let doc;
-  try { doc = await pdfjs.getDocument({ data: buf }).promise; }
-  catch (error) {
-    if (error.name === 'InvalidPDFException') throw new Error('PDF dosyası bozuk veya geçerli PDF biçiminde değil.');
-    if (error.name === 'PasswordException') throw new Error('PDF parola korumalı; okunabilir bir kopyasını yükleyin.');
+  pdfjs.GlobalWorkerOptions.workerSrc = (await import('pdfjs-dist/build/pdf.worker.min.mjs?url')).default;
+  let task;
+  try {
+    task = pdfjs.getDocument({data:await file.arrayBuffer()});
+    return {doc:await task.promise,task};
+  }
+  catch(error) {
+    await task?.destroy();
+    if(error.name === 'InvalidPDFException') throw new Error('PDF dosyası bozuk veya geçerli PDF biçiminde değil.');
+    if(error.name === 'PasswordException') throw new Error('PDF parola korumalı; okunabilir bir kopyasını yükleyin.');
     throw new Error('PDF okunamadı. Dosyayı kontrol edip yeniden deneyin.');
   }
-  const pages = Math.min(doc.numPages, maxPages);
-  const parts = [];
-  for (let i = 1; i <= pages; i++) {
-    const page = await doc.getPage(i);
-    const content = await page.getTextContent();
-    parts.push(content.items.map((it) => it.str).join(' '));
-  }
-  const text = parts.join('\n\n').replace(/[ \t]+/g, ' ').trim();
-  return { text, pageCount: doc.numPages, usedPages: pages };
 }
 
-// Metin dosyaları için basit okuyucu
-export async function extractPlainText(file) {
-  const text = await file.text();
-  return { text: text.trim(), pageCount: 1, usedPages: 1 };
-}
-
-/**
- * Taranmış (görüntü) PDF için OCR — tesseract.js, Türkçe dil paketi,
- * tarayıcıda. Ölçüldü: sentetik teklif cetvelinde güven 87, sayfa başı
- * ~0,3 sn (Node). Yalnızca metin katmanı boşsa devreye girer; ilk 8 sayfa.
- */
-export async function ocrPdfText(file, { maxPages = 8, onProgress } = {}) {
-  const pdfjs = await import('pdfjs-dist');
-  const workerUrl = (await import('pdfjs-dist/build/pdf.worker.min.mjs?url')).default;
-  pdfjs.GlobalWorkerOptions.workerSrc = workerUrl;
-  const { createWorker } = await import('tesseract.js');
-  const doc = await pdfjs.getDocument({ data: await file.arrayBuffer() }).promise;
-  const pages = Math.min(doc.numPages, maxPages);
-  const worker = await createWorker('tur');
-  const parts = [];
+async function readPdf(file,{ocr=false,forceOcr=false,maxPages=Infinity,onProgress}={}) {
+  const {doc,task}=await openPdf(file);
+  let worker;
   try {
-    for (let i = 1; i <= pages; i++) {
-      onProgress?.({ sayfa: i, toplam: pages });
-      const page = await doc.getPage(i);
-      const viewport = page.getViewport({ scale: 2 }); // ~150 dpi: OCR için yeterli, hızlı
-      const canvas = document.createElement('canvas');
-      canvas.width = viewport.width; canvas.height = viewport.height;
-      await page.render({ canvasContext: canvas.getContext('2d'), viewport }).promise;
-      const { data } = await worker.recognize(canvas);
-      parts.push(data.text);
-    }
+    const result=await readPdfPages(doc,{maxPages,forceOcr,onProgress,ocrPage:ocr ? async(page)=>{
+      if(!worker) {
+        const {createWorker}=await import('tesseract.js');
+        worker=await createWorker('tur');
+      }
+      const viewport=page.getViewport({scale:2});
+      const canvas=document.createElement('canvas');
+      canvas.width=viewport.width;canvas.height=viewport.height;
+      try {
+        await page.render({canvasContext:canvas.getContext('2d'),viewport}).promise;
+        return (await worker.recognize(canvas)).data.text;
+      } finally { canvas.width=0;canvas.height=0; }
+    } : undefined});
+    return result;
   } finally {
-    await worker.terminate();
+    try { if(worker) await worker.terminate(); }
+    finally { await task.destroy(); }
   }
-  const text = parts.join('\n\n').replace(/[ \t]+/g, ' ').trim();
-  return { text, pageCount: doc.numPages, usedPages: pages, ocr: true };
 }
 
-export async function extractText(file, { ocr = true, onProgress } = {}) {
-  const name = (file.name || '').toLowerCase();
-  if (name.endsWith('.pdf') || file.type === 'application/pdf') {
-    const r = await extractPdfText(file);
-    // Metin katmanı yoksa taranmış PDF'tir — OCR'a düş
-    if (ocr && (r.text || '').replace(/\s/g, '').length < 100) {
-      try { return await ocrPdfText(file, { onProgress }); } catch { return r; }
-    }
-    return r;
-  }
+export const extractPdfText=(file,options={})=>readPdf(file,{...options,ocr:false});
+export const ocrPdfText=(file,options={})=>readPdf(file,{...options,ocr:true,forceOcr:true});
+export async function extractPlainText(file) {
+  return {text:(await file.text()).trim(),pageCount:1,usedPages:1,complete:true};
+}
+export async function extractText(file,{ocr=true,onProgress}={}) {
+  if((file.name || '').toLowerCase().endsWith('.pdf') || file.type==='application/pdf')
+    return readPdf(file,{ocr,onProgress});
   return extractPlainText(file);
 }