feat: Agregar soporte OCR con Tesseract para PDFs escaneados
- Integrar Tesseract OCR para leer PDFs escaneados automáticamente - Detectar automáticamente si el PDF tiene texto o requiere OCR - Agregar servicio ocr_service.py con funciones de OCR - Actualizar Dockerfile con tesseract-ocr, tesseract-ocr-spa y poppler-utils - Agregar variables de configuración OCR (OCR_ENABLED, OCR_LANGUAGE, OCR_DPI, OCR_TIMEOUT) - Crear endpoint de debug para ver texto extraído (/api/v1/debug/extract-text) - Agregar scripts de instalación y prueba (install_ocr.ps1, test_ocr.py, debug_pdf.ps1) - Documentación completa (OCR_SETUP.md, DOCKER_OCR.md, COMO_PROBAR.md) - Actualizar docker-compose.yml con variables de entorno OCR - Modificar pdf_text.py para usar OCR cuando sea necesario - Actualizar requirements.txt con pytesseract, Pillow, pdf2image
This commit is contained in:
Ernesto Herrera
271
COMO_PROBAR.md
Normal file
271
COMO_PROBAR.md
Normal file
@@ -0,0 +1,271 @@
|
||||
# 🧪 Guía de Prueba - OCR Funcionando
|
||||
|
||||
## ✅ Estado del Sistema
|
||||
|
||||
Tu sistema está completamente configurado con OCR:
|
||||
- ✅ Docker Compose ejecutándose
|
||||
- ✅ Tesseract 5.5.0 instalado en contenedores
|
||||
- ✅ Idioma español (spa) disponible
|
||||
- ✅ Variables OCR configuradas en .env
|
||||
- ✅ API corriendo en http://localhost:9876
|
||||
|
||||
## 🚀 Cómo Probar
|
||||
|
||||
### 1. Obtener un Token de Autenticación
|
||||
|
||||
```powershell
|
||||
# Opción A: Usando curl (si lo tienes instalado)
|
||||
curl -X POST http://localhost:9876/api/auth/login `
|
||||
-H "Content-Type: application/x-www-form-urlencoded" `
|
||||
-d "username=admin&password=12345"
|
||||
|
||||
# Opción B: Usando Invoke-RestMethod (PowerShell nativo)
|
||||
$body = @{
|
||||
username = "admin"
|
||||
password = "12345"
|
||||
}
|
||||
$response = Invoke-RestMethod -Uri "http://localhost:9876/api/auth/login" `
|
||||
-Method Post `
|
||||
-ContentType "application/x-www-form-urlencoded" `
|
||||
-Body $body
|
||||
|
||||
# Ver el token
|
||||
$response.access_token
|
||||
|
||||
# Guardar el token en una variable
|
||||
$token = $response.access_token
|
||||
Write-Host "Token obtenido: $token"
|
||||
```
|
||||
|
||||
### 2. Probar con un PDF
|
||||
|
||||
#### Opción A: Endpoint Síncrono (respuesta inmediata)
|
||||
|
||||
```powershell
|
||||
# Reemplaza "C:\ruta\al\documento.pdf" con tu PDF
|
||||
$pdfPath = "C:\ruta\al\documento.pdf"
|
||||
|
||||
# Subir y procesar
|
||||
curl -X POST "http://localhost:9876/api/v1/incrementables/parse" `
|
||||
-H "Authorization: Bearer $token" `
|
||||
-F "file=@$pdfPath"
|
||||
```
|
||||
|
||||
#### Opción B: Endpoint Asíncrono (recomendado para PDFs grandes o escaneados)
|
||||
|
||||
```powershell
|
||||
# 1. Iniciar procesamiento
|
||||
$pdfPath = "C:\ruta\al\documento.pdf"
|
||||
$taskResponse = curl -X POST "http://localhost:9876/api/v1/incrementables/parse-async" `
|
||||
-H "Authorization: Bearer $token" `
|
||||
-F "file=@$pdfPath"
|
||||
|
||||
# 2. Extraer el task_id de la respuesta
|
||||
# Busca algo como: "task_id":"abc-123-def"
|
||||
|
||||
# 3. Consultar el estado de la tarea
|
||||
$taskId = "TU_TASK_ID_AQUI"
|
||||
curl -X GET "http://localhost:9876/api/v1/incrementables/task/$taskId" `
|
||||
-H "Authorization: Bearer $token"
|
||||
```
|
||||
|
||||
### 3. Ver Logs en Tiempo Real
|
||||
|
||||
Para ver qué está pasando cuando procesas un PDF:
|
||||
|
||||
```powershell
|
||||
# Ver logs de la API
|
||||
docker-compose logs -f mve-incrementables-parser
|
||||
|
||||
# Ver logs del worker (procesamiento asíncrono)
|
||||
docker-compose logs -f celery-worker
|
||||
|
||||
# Ver todos los logs
|
||||
docker-compose logs -f
|
||||
```
|
||||
|
||||
### 4. Identificar si se Usó OCR
|
||||
|
||||
En la respuesta del API, busca el campo `extraction_method`:
|
||||
|
||||
```json
|
||||
{
|
||||
"status": "success",
|
||||
"data": {
|
||||
"extraction_info": {
|
||||
"method": "ocr", // ← "ocr" = PDF escaneado, "pymupdf"/"pdfplumber" = PDF con texto
|
||||
"anchors_found": [...],
|
||||
"warnings": [...]
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
También verás en los logs:
|
||||
- `"PDF appears to be scanned, attempting OCR extraction"` → Detectó PDF escaneado
|
||||
- `"Starting OCR extraction"` → Iniciando OCR
|
||||
- `"OCR extraction completed: X characters"` → OCR terminado
|
||||
|
||||
## 📋 Script Completo de Prueba
|
||||
|
||||
Copia y pega esto en PowerShell:
|
||||
|
||||
```powershell
|
||||
# 1. Obtener token
|
||||
Write-Host "=== Obteniendo token ===" -ForegroundColor Cyan
|
||||
$body = @{
|
||||
username = "admin"
|
||||
password = "12345"
|
||||
}
|
||||
$loginResponse = Invoke-RestMethod -Uri "http://localhost:9876/api/auth/login" `
|
||||
-Method Post `
|
||||
-ContentType "application/x-www-form-urlencoded" `
|
||||
-Body $body
|
||||
|
||||
$token = $loginResponse.access_token
|
||||
Write-Host "Token obtenido: $token" -ForegroundColor Green
|
||||
Write-Host ""
|
||||
|
||||
# 2. Verificar que tienes un PDF
|
||||
$pdfPath = Read-Host "Ingresa la ruta completa al PDF (ej: C:\docs\documento.pdf)"
|
||||
|
||||
if (-not (Test-Path $pdfPath)) {
|
||||
Write-Host "Error: El archivo no existe" -ForegroundColor Red
|
||||
exit
|
||||
}
|
||||
|
||||
Write-Host "Archivo encontrado: $pdfPath" -ForegroundColor Green
|
||||
Write-Host ""
|
||||
|
||||
# 3. Procesar PDF (asíncrono)
|
||||
Write-Host "=== Procesando PDF ===" -ForegroundColor Cyan
|
||||
$headers = @{
|
||||
"Authorization" = "Bearer $token"
|
||||
}
|
||||
|
||||
# Crear el form data
|
||||
$fileName = Split-Path $pdfPath -Leaf
|
||||
$fileContent = [System.IO.File]::ReadAllBytes($pdfPath)
|
||||
$boundary = [System.Guid]::NewGuid().ToString()
|
||||
$LF = "`r`n"
|
||||
|
||||
$bodyLines = (
|
||||
"--$boundary",
|
||||
"Content-Disposition: form-data; name=`"file`"; filename=`"$fileName`"",
|
||||
"Content-Type: application/pdf$LF",
|
||||
[System.Text.Encoding]::GetEncoding("iso-8859-1").GetString($fileContent),
|
||||
"--$boundary--$LF"
|
||||
) -join $LF
|
||||
|
||||
try {
|
||||
$response = Invoke-RestMethod -Uri "http://localhost:9876/api/v1/incrementables/parse-async" `
|
||||
-Method Post `
|
||||
-Headers $headers `
|
||||
-ContentType "multipart/form-data; boundary=$boundary" `
|
||||
-Body $bodyLines
|
||||
|
||||
Write-Host "Tarea iniciada!" -ForegroundColor Green
|
||||
Write-Host "Task ID: $($response.task_id)" -ForegroundColor Cyan
|
||||
Write-Host ""
|
||||
|
||||
# 4. Consultar estado
|
||||
$taskId = $response.task_id
|
||||
Write-Host "=== Consultando estado ===" -ForegroundColor Cyan
|
||||
|
||||
$maxAttempts = 30
|
||||
$attempt = 0
|
||||
|
||||
do {
|
||||
Start-Sleep -Seconds 2
|
||||
$attempt++
|
||||
|
||||
$statusResponse = Invoke-RestMethod -Uri "http://localhost:9876/api/v1/incrementables/task/$taskId" `
|
||||
-Method Get `
|
||||
-Headers $headers
|
||||
|
||||
Write-Host "Intento $attempt - Estado: $($statusResponse.status)" -ForegroundColor Yellow
|
||||
|
||||
if ($statusResponse.status -eq "completed") {
|
||||
Write-Host ""
|
||||
Write-Host "=== RESULTADO ===" -ForegroundColor Green
|
||||
Write-Host ($statusResponse | ConvertTo-Json -Depth 10)
|
||||
break
|
||||
} elseif ($statusResponse.status -eq "failed") {
|
||||
Write-Host ""
|
||||
Write-Host "=== ERROR ===" -ForegroundColor Red
|
||||
Write-Host ($statusResponse | ConvertTo-Json -Depth 10)
|
||||
break
|
||||
}
|
||||
|
||||
} while ($attempt -lt $maxAttempts)
|
||||
|
||||
if ($attempt -eq $maxAttempts) {
|
||||
Write-Host "Tiempo de espera agotado" -ForegroundColor Red
|
||||
}
|
||||
|
||||
} catch {
|
||||
Write-Host "Error: $_" -ForegroundColor Red
|
||||
}
|
||||
```
|
||||
|
||||
## 🔍 Qué Buscar en los Logs
|
||||
|
||||
Cuando procesas un PDF, verás algo como:
|
||||
|
||||
### PDF con Texto Normal (sin OCR):
|
||||
```
|
||||
INFO: Text extracted: 2500 characters, 3 pages, method: pymupdf
|
||||
INFO: Extracted 2500 chars from 3 pages using pymupdf
|
||||
```
|
||||
|
||||
### PDF Escaneado (con OCR):
|
||||
```
|
||||
INFO: PDF appears to be scanned (only 5 characters found)
|
||||
INFO: Starting OCR extraction with language=spa, dpi=300
|
||||
INFO: Converted PDF to 3 images
|
||||
INFO: Page 1: Extracted 1200 characters
|
||||
INFO: Page 2: Extracted 1500 characters
|
||||
INFO: Page 3: Extracted 800 characters
|
||||
INFO: OCR extraction completed: 3500 characters from 3 pages
|
||||
INFO: Text extracted: 3500 characters, 3 pages, method: ocr
|
||||
```
|
||||
|
||||
## 🐛 Solución de Problemas
|
||||
|
||||
### "401 Unauthorized"
|
||||
- El token expiró o es incorrecto
|
||||
- Vuelve a obtener un token con el paso 1
|
||||
|
||||
### "Failed to extract text"
|
||||
- El PDF puede estar dañado o cifrado
|
||||
- Revisa los logs: `docker-compose logs -f`
|
||||
|
||||
### OCR muy lento
|
||||
- Normal para PDFs escaneados (5-30 segundos por página)
|
||||
- Usa el endpoint asíncrono (`/parse-async`)
|
||||
- Reduce `OCR_DPI=200` en `.env` para mayor velocidad
|
||||
|
||||
### "No incrementables found"
|
||||
- El PDF no tiene la sección de incrementables
|
||||
- Revisa el campo `warnings` en la respuesta
|
||||
- El OCR puede no haber detectado el texto correctamente
|
||||
|
||||
## 📊 Ver Configuración Actual
|
||||
|
||||
```powershell
|
||||
# Ver variables de entorno en el contenedor
|
||||
docker exec mve-incrementables-parser env | Select-String OCR
|
||||
|
||||
# Ver configuración OCR
|
||||
docker exec mve-incrementables-parser tesseract --version
|
||||
docker exec mve-incrementables-parser tesseract --list-langs
|
||||
```
|
||||
|
||||
## 🎯 Siguientes Pasos
|
||||
|
||||
1. Prueba con un PDF que **tenga texto seleccionable** primero
|
||||
2. Luego prueba con un PDF **escaneado** (imagen)
|
||||
3. Compara los tiempos de respuesta
|
||||
4. Revisa el campo `extraction_method` en la respuesta
|
||||
|
||||
¡Listo para probar! 🚀
|
||||
Reference in New Issue
Block a user