app.py

import gradio as gr
from PIL import Image
import pytesseract
import fitz  # PyMuPDF

def ocr_pdf(file):
    # Abre el PDF
    doc = fitz.open(file.name)
    text = ""
    for page_number in range(len(doc)):
        # Extrae la página como imagen
        page = doc.load_page(page_number)
        pix = page.get_pixmap()
        img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
        # Extrae texto de la imagen
        text += pytesseract.image_to_string(img) + "\n"
    return text

# Crea la interfaz de Gradio
iface = gr.Interface(
    fn=ocr_pdf,  # Función que procesa el PDF
    inputs=gr.File(label="Sube tu archivo PDF"),  # Tipo de entrada: archivo
    outputs=gr.Textbox(label="Texto extraído"),  # Tipo de salida: texto
    title="OCR con Python Tesseract para PDF",
    description="Sube un archivo PDF para extraer el texto usando Tesseract OCR."
)

# Ejecuta la interfaz
iface.launch()