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
215
DOCKER_OCR.md
Normal file
215
DOCKER_OCR.md
Normal file
@@ -0,0 +1,215 @@
|
||||
# 🐳 Guía Rápida: OCR con Docker
|
||||
|
||||
## ✅ Lo que YA está incluido en Docker
|
||||
|
||||
Cuando usas Docker Compose, **TODO está incluido automáticamente**:
|
||||
- ✅ Tesseract OCR
|
||||
- ✅ Idioma español (spa)
|
||||
- ✅ Poppler (conversión PDF a imagen)
|
||||
- ✅ Todas las dependencias Python
|
||||
- ✅ PyMuPDF y pdfplumber
|
||||
|
||||
**No necesitas instalar nada en tu máquina local.**
|
||||
|
||||
## 🚀 Uso Rápido
|
||||
|
||||
### 1. Configurar variables de entorno
|
||||
|
||||
Edita tu `.env`:
|
||||
```env
|
||||
# OCR ya viene habilitado por defecto
|
||||
OCR_ENABLED=true
|
||||
OCR_LANGUAGE=spa
|
||||
OCR_DPI=300
|
||||
OCR_TIMEOUT=300
|
||||
```
|
||||
|
||||
### 2. Construir y ejecutar
|
||||
|
||||
```bash
|
||||
# Primera vez o después de cambios en Dockerfile
|
||||
docker-compose build
|
||||
|
||||
# Iniciar servicios
|
||||
docker-compose up -d
|
||||
|
||||
# Ver logs
|
||||
docker-compose logs -f
|
||||
```
|
||||
|
||||
### 3. Verificar que OCR funciona
|
||||
|
||||
```bash
|
||||
# Verificar Tesseract en el contenedor API
|
||||
docker exec mve-incrementables-parser tesseract --version
|
||||
|
||||
# Verificar idiomas instalados
|
||||
docker exec mve-incrementables-parser tesseract --list-langs
|
||||
|
||||
# Verificar en el worker de Celery
|
||||
docker exec mve-celery-worker tesseract --version
|
||||
```
|
||||
|
||||
Deberías ver:
|
||||
```
|
||||
tesseract 5.x.x
|
||||
...
|
||||
spa
|
||||
eng
|
||||
osd
|
||||
```
|
||||
|
||||
## 🧪 Probar con un PDF Escaneado
|
||||
|
||||
```bash
|
||||
# 1. Primero obtén un token
|
||||
curl -X POST http://localhost:9876/api/auth/login \
|
||||
-H "Content-Type: application/x-www-form-urlencoded" \
|
||||
-d "username=admin&password=tu_password"
|
||||
|
||||
# 2. Usa el token para subir un PDF
|
||||
curl -X POST http://localhost:9876/api/v1/incrementables/parse \
|
||||
-H "Authorization: Bearer TU_TOKEN_AQUI" \
|
||||
-F "file=@/ruta/al/documento.pdf"
|
||||
```
|
||||
|
||||
## 📊 Ver logs del OCR
|
||||
|
||||
```bash
|
||||
# Ver logs del contenedor principal
|
||||
docker-compose logs -f mve-incrementables-parser
|
||||
|
||||
# Ver logs del worker (procesamiento asíncrono)
|
||||
docker-compose logs -f celery-worker
|
||||
|
||||
# Buscar logs específicos de OCR
|
||||
docker-compose logs | grep -i "ocr"
|
||||
docker-compose logs | grep -i "tesseract"
|
||||
```
|
||||
|
||||
## 🔧 Configuración Avanzada
|
||||
|
||||
### Cambiar idioma del OCR
|
||||
|
||||
Edita `.env`:
|
||||
```env
|
||||
OCR_LANGUAGE=eng # Para inglés
|
||||
# o
|
||||
OCR_LANGUAGE=spa # Para español
|
||||
```
|
||||
|
||||
Reinicia los contenedores:
|
||||
```bash
|
||||
docker-compose restart
|
||||
```
|
||||
|
||||
### Ajustar rendimiento OCR
|
||||
|
||||
Para **mayor velocidad** (menos calidad):
|
||||
```env
|
||||
OCR_DPI=200
|
||||
```
|
||||
|
||||
Para **mayor calidad** (más lento):
|
||||
```env
|
||||
OCR_DPI=600
|
||||
```
|
||||
|
||||
Reinicia:
|
||||
```bash
|
||||
docker-compose restart
|
||||
```
|
||||
|
||||
### Deshabilitar OCR
|
||||
|
||||
Si solo quieres procesar PDFs con texto seleccionable:
|
||||
```env
|
||||
OCR_ENABLED=false
|
||||
```
|
||||
|
||||
## 🐛 Solución de Problemas
|
||||
|
||||
### El servicio no inicia después de agregar OCR
|
||||
|
||||
```bash
|
||||
# Reconstruir la imagen
|
||||
docker-compose down
|
||||
docker-compose build --no-cache
|
||||
docker-compose up -d
|
||||
```
|
||||
|
||||
### Error: "tesseract command not found"
|
||||
|
||||
Esto significa que la imagen no se construyó correctamente.
|
||||
|
||||
```bash
|
||||
# Ver si Tesseract está en la imagen
|
||||
docker exec mve-incrementables-parser which tesseract
|
||||
|
||||
# Si no está, reconstruir
|
||||
docker-compose build --no-cache mve-incrementables-parser
|
||||
```
|
||||
|
||||
### OCR muy lento
|
||||
|
||||
El OCR es naturalmente más lento que la extracción de texto normal. Para PDFs escaneados:
|
||||
- Usa el endpoint **asíncrono** (`/parse-async`)
|
||||
- El worker de Celery procesará en background
|
||||
- Reduce `OCR_DPI` si no necesitas máxima calidad
|
||||
|
||||
### Ver qué método se usó (texto vs OCR)
|
||||
|
||||
El campo `extraction_method` en la respuesta te dice:
|
||||
- `"pymupdf"` o `"pdfplumber"` → PDF con texto (rápido)
|
||||
- `"ocr"` → PDF escaneado procesado con Tesseract (lento)
|
||||
|
||||
## 📝 Ejemplo de Respuesta
|
||||
|
||||
Cuando el sistema usa OCR automáticamente:
|
||||
|
||||
```json
|
||||
{
|
||||
"status": "success",
|
||||
"message": "Incrementables extraídos exitosamente",
|
||||
"data": {
|
||||
"incrementables": {
|
||||
"fletes": 1591.20,
|
||||
"seguros": 0.0,
|
||||
"almacenaje": 0.0,
|
||||
"regalias": 0.0,
|
||||
"currency": "USD",
|
||||
"total": 1591.20
|
||||
},
|
||||
"document_info": {
|
||||
"filename": "documento_escaneado.pdf",
|
||||
"pages": 5,
|
||||
"file_hash": "abc123...",
|
||||
"file_size_bytes": 524288
|
||||
},
|
||||
"extraction_info": {
|
||||
"method": "ocr", // ← Indica que se usó OCR
|
||||
"anchors_found": ["AJUSTE DE INCREMENTABLES EN:"],
|
||||
"warnings": []
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
## 🎯 Resumen
|
||||
|
||||
**Con Docker:**
|
||||
- ✅ Todo incluido automáticamente
|
||||
- ✅ Sin instalación manual
|
||||
- ✅ Funciona igual en Windows, Mac, Linux
|
||||
- ✅ OCR listo para usar desde el primer `docker-compose up`
|
||||
|
||||
**Comandos clave:**
|
||||
```bash
|
||||
docker-compose build # Construir imagen
|
||||
docker-compose up -d # Iniciar servicios
|
||||
docker-compose logs -f # Ver logs
|
||||
docker-compose restart # Reiniciar después de cambios en .env
|
||||
docker-compose down # Detener todo
|
||||
```
|
||||
|
||||
¡Eso es todo! 🎉
|
||||
Reference in New Issue
Block a user