me-suzy

import requests
import sys
import os
from urllib.parse import quote, unquote

def cauta_in_wayback(url_pattern):
    """Caută snapshot-uri în Wayback Machine"""

    print(f"\nCaut: {url_pattern}")

me-suzy

import cv2
import numpy as np
from pathlib import Path


def detect_underline_by_vertical_context(img, low=150, high=220, bg_thresh=220, check_dist=3):
    """
    Detectează subliniere bazat pe context vertical.

    Un pixel e subliniere dacă:

me-suzy

import cv2
import numpy as np
from pathlib import Path


def process_v1_frequency_zones(img_gray, low=150, high=220):
    """Elimină pixelii din zonele cu frecvență mică"""
    result = img_gray.copy()
    mask = (img_gray >= low) & (img_gray < high)
    result[mask] = 245

me-suzy

import cv2
import numpy as np
from pathlib import Path


def remove_underlines_statistical(image_path, output_path=None):
    """
    Elimină sublinierile folosind abordare statistică:
    - Frecvența pixelilor în zona de subliniere per rând
    - Mediana + k*std ca threshold pentru detectare

me-suzy

# PowerShell script pentru TOATE PDF-urile de pe biblioteca-digitala.ro
# Foloseste Wayback Machine CDX API pentru a gasi TOATE cele ~100.000 PDF-uri

$OutputDir = "G:\biblioteca-digitala-COMPLET"

# Creaza directorul daca nu exista
if (!(Test-Path $OutputDir)) { 
    New-Item -ItemType Directory -Path $OutputDir | Out-Null 
}

me-suzy

# PowerShell script pentru biblioteca-digitala.ro
# PDF-urile se vor descarca in G:\yyyy

$OutputDir = "G:\yyyy"

# Creaza directorul daca nu exista
if (!(Test-Path $OutputDir)) { 
    New-Item -ItemType Directory -Path $OutputDir | Out-Null 
}

me-suzy

#!/bin/bash
# Script pentru descărcarea PDF-urilor de pe biblioteca-digitala.ro/reviste/carte/
# Folosește Wayback Machine CDX API + wget/curl

OUTPUT_DIR="${1:-biblioteca_digitala_pdfs}"
URLS_FILE="$OUTPUT_DIR/pdf_urls.txt"
MAX_PARALLEL=3

echo "============================================================"
echo "Scraper pentru biblioteca-digitala.ro/reviste/carte/"

me-suzy

#!/usr/bin/env python3
"""
Scraper pentru descărcarea PDF-urilor de pe biblioteca-digitala.ro/reviste/carte/
Versiune îmbunătățită cu URL-uri pre-descoperite și suport Wayback Machine.

METODĂ RECOMANDATĂ:
1. Rulează mai întâi: python3 scraper.py --wayback
   Aceasta va extrage toate URL-urile din Wayback Machine CDX API
   
2. Apoi descarcă: python3 scraper.py --download

me-suzy

Alternative idei de SCENARII SCRIBD (cum se poate ajunge la acel rezultat)



Da-mi 10 alternative, despre cum se putea ajunge la acel rezultat. Exemplu, se da textul:



Iar în deșertul acela fără nume, scribul a găsit un pergament vechi, ros de vânturi și de timp, pe care erau scrise trei cuvinte în trei limbi diferite: *Ego*, *Mundus*, *Deus*.

me-suzy

import cv2
import numpy as np
from pathlib import Path


def remove_thin_horizontal_lines(binary_img, line_thickness=5, kernel_length=40):
    """
    Elimină liniile orizontale subțiri din imaginea binarizată.
    """
    inv = cv2.bitwise_not(binary_img)