Merge branch 'main' of https://gitlab.com/brausjonas/datenbanken-llm

test_PDFandJPG.py

@@ -0,0 +1,25 @@
+import pymupdf
+import io
+from PIL import Image
+import pytesseract
+
+pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
+
+def extrahiere_text_und_bilder(pdf_datei):
+    doc = pymupdf.open(pdf_datei)
+    text = ""
+    for seite in doc:
+        text += seite.get_text()
+        for bild in seite.get_images(full=True):
+            xref = bild[0]
+            basis_bild = doc.extract_image(xref)
+            bild_daten = basis_bild["image"]
+            bild_objekt = Image.open(io.BytesIO(bild_daten))
+            bild_text = pytesseract.image_to_string(bild_objekt, lang="deu")
+            text += " " + bild_text
+    return text
+
+pdf_datei = 'any.pdf'
+text = extrahiere_text_und_bilder(pdf_datei)
+
+print(text)

test_mp3parser.py

@@ -0,0 +1,12 @@
+import whisper
+import json
+
+
+model = whisper.load_model('tiny')
+
+
+result = model.transcribe(str("Aufzeichnung.mp3"), language='de', verbose=True)
+
+# Dump the results to a JSON file
+with open('transcript.json', "w") as file:
+    json.dump(result['text'], file, indent=4)

transcript.json

@@ -0,0 +1 @@
+" Hallo, das ist ein Test, Hello World."