AI-Powered Document
Processing for Thai

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
AI Document Processor for Thai Documents
ใช้ OCR และ NLP ในการประมวลผลเอกสารภาษาไทย
"""

import os
import json
import pytesseract
from PIL import Image
from pdf2image import convert_from_path
import re
from pathlib import Path

# PyThaiNLP imports
from pythainlp import word_tokenize
from pythainlp.corpus import thai_words
from pythainlp.util import normalize

class ThaiDocumentProcessor:
    """
    ระบบประมวลผลเอกสารภาษาไทยด้วย AI
    """
    
    def __init__(self):
        """Initialize the processor"""
        # เพิ่ม custom Thai words
        self._custom_words = {
            'เลขที่', 'วันที่', 'เรื่อง', 'ผู้ส่ง', 'ผู้รับ',
            'ใบแจ้งหนี้', 'สัญญา', ' hợp đồng', 'Invoice'
        }
        
    def _extract_text_from_image(self, image_path: str) -> str:
        """
        แปลงรูปภาพเป็นข้อความด้วย OCR
        
        Args:
            image_path: Path ของไฟล์รูปภาพ
            
        Returns:
            ข้อความที่อ่านได้จากภาพ
        """
        try:
            # เปิดภาพ
            image = Image.open(image_path)
            
            # OCR dengan Tesseract + Thai language
            text = pytesseract.image_to_string(
                image,
                lang='tha+eng',  # รองรับทั้งไทยและอังกฤษ
                config='--psm 6'  # ใช้ค่า default
            )
            
            return text
        except Exception as e:
            print(f"Error extracting text from image: {e}")
            return ""
    
    def _extract_text_from_pdf(self, pdf_path: str) -> str:
        """
        แปลง PDF เป็นข้อความ (แปลง PDF → รูปภาพ → OCR)
        
        Args:
            pdf_path: Path ของไฟล์ PDF
            
        Returns:
            ข้อความที่อ่านได้จาก PDF
        """
        try:
            # แปลง PDF เป็น list ของรูปภาพ
            images = convert_from_path(pdf_path)
            
            full_text = ""
            for i, image in enumerate(images):
                print(f"Processing page {i+1}...")
                text = self._extract_text_from_image(image)
                full_text += text + "\n\n"
            
            return full_text
        except Exception as e:
            print(f"Error extracting text from PDF: {e}")
            return ""
    
    def _extract_key_information(self, text: str) -> dict:
        """
        ดึงข้อมูลสำคัญจากข้อความด้วย NLP
        
        Args:
            text: ข้อความที่ได้จาก OCR
            
        Returns:
            Dictionary ของข้อมูลสำคัญ
        """
        data = {
            'raw_text': text,
            'tokens': [],
            'entities': {},
            'extracted_info': {}
        }
        
        # Tokenize ข้อความ
        try:
            tokens = word_tokenize(text, engine='newmm')
            data['tokens'] = tokens
        except Exception as e:
            print(f"Error tokenizing: {e}")
            data['tokens'] = text.split()
        
        # ค้นหารูปแบบต่างๆ (Regex)
        # เลขที่เอกสาร (Thai/English)
        invoice_no = re.findall(r'(เลขที่|Invoice No\.|No\.)\s*[:\s]*(\S+)', text, re.IGNORECASE)
        if invoice_no:
            data['extracted_info']['invoice_number'] = invoice_no[0][-1]
        
        # วันที่ (Thai format)
        date_thai = re.findall(r'(วันที่|Date)\s*[:\s]*(\d{1,2}/\d{1,2}/\d{4})', text, re.IGNORECASE)
        if date_thai:
            data['extracted_info']['date'] = date_thai[0][-1]
        
        # จำนวนเงิน
        amount = re.findall(r'(จำนวน|Amount)\s*[:\s]*([\d,\.]+)', text, re.IGNORECASE)
        if amount:
            data['extracted_info']['amount'] = amount[0][-1]
        
        # เรื่อง
        subject = re.findall(r'(เรื่อง|Subject)\s*[:\s]*(.+$)', text, re.IGNORECASE)
        if subject:
            data['extracted_info']['subject'] = subject[0][-1].strip()
        
        return data
    
    def process_document(self, file_path: str, output_path: str = None) -> dict:
        """
        ประมวลผลเอกสารทั้งหมด (OCR + NLP)
        
        Args:
            file_path: Path ของไฟล์ (Image หรือ PDF)
            output_path: Path สำหรับ save output JSON (optional)
            
        Returns:
            Dictionary ของผลลัพธ์
        """
        print(f"Processing: {file_path}")
        
        # ตรวจสอบไฟล์
        file_path = Path(file_path)
        if not file_path.exists():
            raise FileNotFoundError(f"File not found: {file_path}")
        
        # แยกตามชนิดไฟล์
        ext = file_path.suffix.lower()
        
        if ext in ['.jpg', '.jpeg', '.png', '.bmp', '.webp']:
            # Image files
            text = self._extract_text_from_image(str(file_path))
        elif ext == '.pdf':
            # PDF files
            text = self._extract_text_from_pdf(str(file_path))
        else:
            raise ValueError(f"Unsupported file type: {ext}")
        
        # ประมวลผลด้วย NLP
        result = self._extract_key_information(text)
        
        # Save output
        if output_path:
            output_file = Path(output_path)
            output_file.parent.mkdir(parents=True, exist_ok=True)
            
            with open(output_file, 'w', encoding='utf-8') as f:
                json.dump(result, f, ensure_ascii=False, indent=2)
            
            print(f"Output saved to: {output_file}")
        
        return result


# Example usage
if __name__ == "__main__":
    processor = ThaiDocumentProcessor()
    
    # ตัวอย่างการใช้งาน
    print("=== Thai Document Processor ===")
    print("Example usage:")
    print("1. From image:")
    print("   result = processor.process_document('invoice.jpg')")
    print("2. From PDF:")
    print("   result = processor.process_document('contract.pdf')")
    print("3. Save output:")
    print("   result = processor.process_document('invoice.jpg', 'output.json')")

    # Test with a sample (uncomment to test)
    # result = processor.process_document('test_invoice.jpg')
    # print(json.dumps(result, ensure_ascii=False, indent=2))

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Streamlit Web App สำหรับ AI Document Processor
"""

import streamlit as st
import json
import os
from document_processor import ThaiDocumentProcessor
from PIL import Image
import tempfile

# Page config
st.set_page_config(
    page_title="AI Document Processor - Thai",
    page_icon="📄",
    layout="wide"
)

# Initialize processor
processor = ThaiDocumentProcessor()

# Header
st.title("📄 AI Document Processor for Thai")
st.markdown("ระบบประมวลผลเอกสารภาษาไทยอัจฉริยะ")

# Sidebar
st.sidebar.header("⚙️ Settings")
st.sidebar.info("""
**วิธีใช้งาน:**
1. อัปโหลดไฟล์ (PDF หรือรูปภาพ)
2. กดปุ่มประมวลผล
3. ดูผลลัพธ์
""")

# File uploader
st.header("📤 อัปโหลดเอกสาร")
uploaded_file = st.file_uploader(
    "เลือกไฟล์ (PDF, JPG, PNG)",
    type=['pdf', 'jpg', 'jpeg', 'png']
)

if uploaded_file is not None:
    # Display file info
    file_type = uploaded_file.type
    file_size = len(uploaded_file.getvalue())
    st.write(f"**ประเภทไฟล์:** {file_type}")
    st.write(f"**ขนาดไฟล์:** {file_size:,} bytes")
    
    # Process button
    if st.button("🚀 ประมวลผลเอกสาร", type="primary"):
        with st.spinner("กำลังประมวลผล..."):
            # Save uploaded file temporarily
            with tempfile.NamedTemporaryFile(delete=False, suffix=uploaded_file.name) as tmp_file:
                tmp_file.write(uploaded_file.getvalue())
                temp_path = tmp_file.name
            
            try:
                # Process document
                result = processor.process_document(temp_path)
                
                # Display result
                st.success("✅ ประมวลผลเสร็จสิ้น!")
                
                # Tabs
                tab1, tab2, tab3 = st.tabs([
                    "📝 ข้อความดิบ", 
                    "📊 ข้อมูลที่ดึงได้", 
                    "🤖 ตัวแปร tokens"
                ])
                
                with tab1:
                    st.subheader("ข้อความที่ได้จาก OCR")
                    st.text_area(
                        "OCR Result",
                        result.get('raw_text', ''),
                        height=300,
                        key="raw_text"
                    )
                
                with tab2:
                    st.subheader("ข้อมูลที่ระบบดึงได้อัตโนมัติ")
                    extracted = result.get('extracted_info', {})
                    
                    if extracted:
                        for key, value in extracted.items():
                            st.metric(label=key, value=value)
                    else:
                        st.warning("ไม่พบข้อมูลสำคัญในเอกสาร")
                
                with tab3:
                    st.subheader("Tokens (คำ)")
                    tokens = result.get('tokens', [])
                    st.write(f"จำนวนคำ: {len(tokens)}")
                    st.write(tokens[:50])  # Show first 50 tokens
                
                # Download button
                st.download_button(
                    label="💾 ดาวน์โหลด JSON",
                    data=json.dumps(result, ensure_ascii=False, indent=2),
                    file_name=f"document_{uploaded_file.name}.json",
                    mime="application/json"
                )
                
                # Clean up temp file
                os.unlink(temp_path)
                
            except Exception as e:
                st.error(f"❌ เกิดข้อผิดพลาด: {str(e)}")
                if 'temp_path' in locals():
                    os.unlink(temp_path)

# Footer
st.markdown("---")
st.markdown(
    """
    

        
AI Document Processor for Thai | Tech Guides Wiki
        
ใช้ Tesseract OCR + PyThaiNLP | Open Source
    
    """,
    unsafe_allow_html=True
)