Phase 7: OCR & Convert — Tesseract lớp text ẩn (Việt+Anh), PDF→PNG/TXT/DOCX, Office↔PDF

Engine:
- ocr.rs MỚI: find_tesseract (sidecar như qpdf, env FOFREEXIT_TESSERACT_PATH);
  ocr_page_words (render 300 DPI → tesseract tsv → lọc confidence ≥30 → quy
  đổi pixel→điểm PDF); ocr_add_text_layer — thêm text object render-mode
  INVISIBLE đúng khung từng từ lên CHÍNH trang gốc (searchable PDF chuẩn,
  ảnh không đổi), font Unicode nhúng 1 lần, mặc định vie+eng
- convert.rs MỚI: export_images (PNG mỗi trang theo DPI), export_text,
  export_docx tự viết (gom char boxes thành dòng thị giác → đoạn Word với cỡ
  chữ xấp xỉ + ngắt trang; DOCX = zip STORE tự ghi kèm CRC-32, không thêm
  dependency); find_soffice + office_to_pdf + pdf_to_docx_via_soffice
  (LibreOffice headless, profile riêng -env:UserInstallation)

Tauri + UI (thanh 🔁 Chuyển đổi):
- Commands: ocr_run, convert_images, convert_txt, convert_docx (tự chọn
  LibreOffice nếu có → fallback bộ cơ bản, báo engine đã dùng),
  office_convert, convert_tools_status (UI disable nút + báo thiếu công cụ),
  pick_office_file, pick_save_as
- Nút: OCR (select Việt+Anh/Việt/Anh), Xuất PNG 150 DPI, Xuất TXT, Xuất Word,
  Office→PDF (mở luôn kết quả)

Test (6 mới → engine 73/73 xanh ngoài 2 fixture qpdf Linux):
- OCR tiếng Anh trên PDF-scan giả lập THẬT (xoá text chỉ còn ảnh render):
  extract + search thấy từ, toạ độ lớp ẩn khớp vùng chữ
- OCR tiếng Việt đúng dấu ("Việt Nam đất nước")
- export PNG 3 trang / TXT / DOCX (unzip hệ thống giải được, có ngắt trang)
- LibreOffice round-trip 2 chiều (tự bỏ qua nếu máy không có soffice)

Docs: 19-phase7-summary (+ giới hạn v-sau), 20-phase7-user-tests (C1–C10 kèm
hướng dẫn cài Tesseract/LibreOffice trên Windows), README, roadmap (Phase 7
HOÀN TẤT lõi), 14 (kế tiếp: Phase 8 phát hành).

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01HgnbPwSoRGNH7LHsDUmRpk

app/src-tauri/src/main.rs

@@ -1160,6 +1160,110 @@ fn form_import_fdf(input: String, fdf: String, output: String) -> Result<usize,
     r
 }
 
+// ---------- Phase 7: OCR & Chuyển đổi ----------
+
+/// OCR toàn bộ tài liệu (Tesseract) → thêm lớp text ẩn, trả số từ nhận dạng.
+#[tauri::command]
+fn ocr_run(input: String, lang: String, output: String) -> Result<usize, String> {
+    let pdfium = pdfium()?;
+    ff_engine::ocr_add_text_layer(
+        &pdfium,
+        std::path::Path::new(&input),
+        &[],
+        &lang,
+        std::path::Path::new(&output),
+        None,
+    )
+    .map_err(|e| e.to_string())
+}
+
+/// PDF → PNG mỗi trang theo DPI, trả danh sách file.
+#[tauri::command]
+fn convert_images(input: String, out_dir: String, dpi: f32) -> Result<Vec<String>, String> {
+    let pdfium = pdfium()?;
+    ff_engine::export_images(
+        &pdfium,
+        std::path::Path::new(&input),
+        std::path::Path::new(&out_dir),
+        dpi.clamp(36.0, 600.0),
+        None,
+    )
+    .map(|v| v.into_iter().map(|p| p.to_string_lossy().into_owned()).collect())
+    .map_err(|e| e.to_string())
+}
+
+/// PDF → TXT.
+#[tauri::command]
+fn convert_txt(input: String, output: String) -> Result<(), String> {
+    let pdfium = pdfium()?;
+    ff_engine::export_text(&pdfium, std::path::Path::new(&input), std::path::Path::new(&output), None)
+        .map_err(|e| e.to_string())
+}
+
+/// PDF → DOCX. Ưu tiên LibreOffice (layout tốt hơn) nếu máy có; không có thì
+/// dùng bộ chuyển tự viết (text + bố cục cơ bản). Trả tên engine đã dùng.
+#[tauri::command]
+fn convert_docx(input: String, output: String) -> Result<String, String> {
+    let inp = std::path::Path::new(&input);
+    let out = std::path::PathBuf::from(&output);
+    if ff_engine::find_soffice().is_ok() {
+        let dir = out.parent().map(|p| p.to_path_buf()).unwrap_or_else(std::env::temp_dir);
+        match ff_engine::pdf_to_docx_via_soffice(inp, &dir) {
+            Ok(produced) => {
+                if produced != out {
+                    std::fs::rename(&produced, &out)
+                        .or_else(|_| std::fs::copy(&produced, &out).map(|_| ()))
+                        .map_err(|e| e.to_string())?;
+                    let _ = std::fs::remove_file(&produced);
+                }
+                return Ok("libreoffice".into());
+            }
+            Err(_) => { /* rơi xuống bộ tự viết */ }
+        }
+    }
+    let pdfium = pdfium()?;
+    ff_engine::export_docx(&pdfium, inp, &out, None).map_err(|e| e.to_string())?;
+    Ok("basic".into())
+}
+
+/// Office (docx/xlsx/pptx/odt...) → PDF qua LibreOffice. Trả đường dẫn PDF.
+#[tauri::command]
+fn office_convert(input: String, out_dir: String) -> Result<String, String> {
+    ff_engine::office_to_pdf(std::path::Path::new(&input), std::path::Path::new(&out_dir))
+        .map(|p| p.to_string_lossy().into_owned())
+        .map_err(|e| e.to_string())
+}
+
+/// Kiểm tra công cụ ngoài (cho UI hiện trạng thái).
+#[tauri::command]
+fn convert_tools_status() -> serde_json::Value {
+    serde_json::json!({
+        "tesseract": ff_engine::find_tesseract().is_ok(),
+        "soffice": ff_engine::find_soffice().is_ok(),
+    })
+}
+
+/// Hộp thoại chọn file Office để chuyển sang PDF.
+#[tauri::command]
+fn pick_office_file(app: tauri::AppHandle) -> Option<String> {
+    app.dialog()
+        .file()
+        .add_filter("Tài liệu Office", &["docx", "doc", "xlsx", "xls", "pptx", "ppt", "odt", "ods", "odp", "rtf"])
+        .blocking_pick_file()
+        .map(|fp| fp.to_string())
+}
+
+/// Hộp thoại lưu file theo đuôi tuỳ ý.
+#[tauri::command]
+fn pick_save_as(app: tauri::AppHandle, ext: String, name: String) -> Option<String> {
+    app.dialog()
+        .file()
+        .add_filter(ext.to_uppercase(), &[ext.as_str()])
+        .set_file_name(&name)
+        .blocking_save_file()
+        .map(|fp| fp.to_string())
+}
+
 /// Hộp thoại lưu file FDF.
 #[tauri::command]
 fn pick_save_data(app: tauri::AppHandle) -> Option<String> {
@@ -1266,6 +1370,14 @@ fn main() {
             form_create,
             form_export,
             form_import_fdf,
+            ocr_run,
+            convert_images,
+            convert_txt,
+            convert_docx,
+            office_convert,
+            convert_tools_status,
+            pick_office_file,
+            pick_save_as,
             pick_any_file,
             pick_save_pem,
             pick_save_data,

app/src/index.html

@@ -38,6 +38,7 @@
       <button id="editModeBtn" title="Sửa nội dung trang">✏️ Sửa nội dung</button>
       <button id="formModeBtn" title="Form: điền, tạo field, flatten, FDF/CSV">📝 Form</button>
       <button id="secModeBtn" title="Bảo mật: redact, mật khẩu, metadata">🔒 Bảo mật</button>
+      <button id="convModeBtn" title="OCR & Chuyển đổi: OCR, PNG, TXT, Word, Office→PDF">🔁 Chuyển đổi</button>
       <div class="spacer"></div>
       <span id="status" class="status"></span>
     </header>
@@ -117,6 +118,23 @@
       <span id="formHint" class="status"></span>
     </div>
 
+    <div id="convBar" class="editbar hidden">
+      <span class="annolabel">Chuyển đổi:</span>
+      <label class="ed-prop">OCR ngôn ngữ <select id="cvLang">
+        <option value="vie+eng">Việt + Anh</option>
+        <option value="vie">Tiếng Việt</option>
+        <option value="eng">English</option>
+      </select></label>
+      <button id="cvOcr" title="Nhận dạng chữ (Tesseract) → thêm lớp text ẩn, file tìm kiếm/copy được">🔍 OCR tài liệu</button>
+      <span class="sep"></span>
+      <button id="cvPng" title="Xuất mỗi trang thành 1 ảnh PNG">🖼 Xuất PNG</button>
+      <button id="cvTxt" title="Xuất toàn bộ text ra file .txt">📄 Xuất TXT</button>
+      <button id="cvDocx" title="Xuất Word (.docx) — dùng LibreOffice nếu máy có, không thì bộ chuyển cơ bản">📘 Xuất Word</button>
+      <button id="cvOffice" title="Chuyển file Office (docx/xlsx/pptx...) sang PDF — cần LibreOffice">📥 Office → PDF</button>
+      <span class="spacer"></span>
+      <span id="convHint" class="status"></span>
+    </div>
+
     <div id="secBar" class="editbar hidden">
       <span class="annolabel">Bảo mật:</span>
       <button id="secRedactTool" class="atool" data-tool="redact" title="Kéo chuột trên trang để đánh dấu vùng cần bôi đen — nội dung bị XOÁ THẬT khi áp dụng">⬛ Đánh dấu redact</button>

app/src/main.js

@@ -43,6 +43,7 @@ const state = {
   redactMarks: [],        // [{page, rect{left,bottom,right,top}}] chờ áp dụng
   formMode: false,        // thanh Form (Phase 6) đang mở
   formFields: [],         // field đọc từ tài liệu hiện tại
+  convMode: false,        // thanh Chuyển đổi (Phase 7) đang mở
 };
 const UNDO_LIMIT = 50;
 let annotIdSeq = 1;
@@ -2678,6 +2679,98 @@ async function saveEdits() {
   }
 }
 
+// ---------- Phase 7: OCR & Chuyển đổi ----------
+
+async function toggleConvMode() {
+  state.convMode = !state.convMode;
+  $("convBar").classList.toggle("hidden", !state.convMode);
+  $("convModeBtn").classList.toggle("active", state.convMode);
+  if (state.convMode) {
+    try {
+      const st = await invoke("convert_tools_status");
+      const miss = [];
+      if (!st.tesseract) miss.push("Tesseract (OCR)");
+      if (!st.soffice) miss.push("LibreOffice (Office↔PDF chất lượng cao)");
+      $("convHint").textContent = miss.length
+        ? `Chưa cài: ${miss.join(", ")} — các nút liên quan sẽ báo lỗi kèm hướng dẫn`
+        : "";
+      $("cvOcr").disabled = !st.tesseract;
+      $("cvOffice").disabled = !st.soffice;
+    } catch (_) { /* trạng thái chỉ để gợi ý */ }
+  } else {
+    $("convHint").textContent = "";
+  }
+}
+
+async function runOcrAction() {
+  const lang = $("cvLang").value || "vie+eng";
+  const out = await invoke("pick_save_pdf");
+  if (!out) return;
+  $("convHint").textContent = "Đang OCR… (tài liệu dài có thể mất vài phút)";
+  try {
+    const n = await invoke("ocr_run", { input: state.path, lang, output: out });
+    $("status").textContent = `OCR xong: ${n} từ, đã thêm lớp text ẩn → ${shortName(out)}`;
+    $("convHint").textContent = "";
+    loadDocument(out);
+  } catch (e) {
+    $("convHint").textContent = "Lỗi OCR: " + e;
+  }
+}
+
+async function exportPngAction() {
+  const dir = await invoke("pick_dir");
+  if (!dir) return;
+  try {
+    const files = await invoke("convert_images", { input: state.path, outDir: dir, dpi: 150 });
+    $("status").textContent = `Đã xuất ${files.length} ảnh PNG (150 DPI) vào ${dir}`;
+  } catch (e) {
+    $("convHint").textContent = "Lỗi xuất PNG: " + e;
+  }
+}
+
+async function exportTxtAction() {
+  const base = shortName(state.path).replace(/\.pdf$/i, "");
+  const out = await invoke("pick_save_as", { ext: "txt", name: base + ".txt" });
+  if (!out) return;
+  try {
+    await invoke("convert_txt", { input: state.path, output: out });
+    $("status").textContent = `Đã xuất text → ${shortName(out)}`;
+  } catch (e) {
+    $("convHint").textContent = "Lỗi xuất TXT: " + e;
+  }
+}
+
+async function exportDocxAction() {
+  const base = shortName(state.path).replace(/\.pdf$/i, "");
+  const out = await invoke("pick_save_as", { ext: "docx", name: base + ".docx" });
+  if (!out) return;
+  $("convHint").textContent = "Đang chuyển sang Word…";
+  try {
+    const engine = await invoke("convert_docx", { input: state.path, output: out });
+    const note = engine === "libreoffice" ? "LibreOffice (giữ layout tốt)" : "bộ chuyển cơ bản (text + bố cục)";
+    $("status").textContent = `Đã xuất Word (${note}) → ${shortName(out)}`;
+    $("convHint").textContent = "";
+  } catch (e) {
+    $("convHint").textContent = "Lỗi xuất Word: " + e;
+  }
+}
+
+async function officeToPdfAction() {
+  const src = await invoke("pick_office_file");
+  if (!src) return;
+  const dir = await invoke("pick_dir");
+  if (!dir) return;
+  $("convHint").textContent = "Đang chuyển Office → PDF…";
+  try {
+    const out = await invoke("office_convert", { input: src, outDir: dir });
+    $("status").textContent = `Đã chuyển → ${shortName(out)}`;
+    $("convHint").textContent = "";
+    loadDocument(out);
+  } catch (e) {
+    $("convHint").textContent = "Lỗi Office→PDF (máy cần LibreOffice): " + e;
+  }
+}
+
 // ---------- Phase 6: Form (AcroForm) ----------
 
 function toggleFormMode() {
@@ -3225,6 +3318,14 @@ $("modalOverlay").addEventListener("click", (e) => {
   if (e.target.id === "modalOverlay") closeModal();
 });
 
+// OCR & Chuyển đổi (Phase 7)
+$("convModeBtn").addEventListener("click", toggleConvMode);
+$("cvOcr").addEventListener("click", runOcrAction);
+$("cvPng").addEventListener("click", exportPngAction);
+$("cvTxt").addEventListener("click", exportTxtAction);
+$("cvDocx").addEventListener("click", exportDocxAction);
+$("cvOffice").addEventListener("click", officeToPdfAction);
+
 // Form (Phase 6)
 $("formModeBtn").addEventListener("click", toggleFormMode);
 $("fmFill").addEventListener("click", openFillForm);