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

app/tasks/parse_tasks.py

@@ -2,6 +2,7 @@
 import logging
 import hashlib
 from app.core.celery_app import celery_app
+from app.core.config import get_settings
 from app.services.pdf_text import extract_text_from_pdf, PDFExtractionError
 from app.services.parser import parse_incrementables, ParsingError
 
@@ -33,9 +34,14 @@ def parse_pdf_task(self, pdf_bytes_hex: str, filename: str, document_ref: str =
         file_hash = hashlib.sha256(pdf_bytes).hexdigest()
         
         # Extract text
+        settings = get_settings()
         try:
-            text, page_count, extraction_method = extract_text_from_pdf(pdf_bytes)
-            logger.info(f"Task {task_id}: Extracted {len(text)} chars from {page_count} pages")
+            text, page_count, extraction_method = extract_text_from_pdf(
+                pdf_bytes,
+                enable_ocr=settings.ocr_enabled,
+                ocr_lang=settings.ocr_language
+            )
+            logger.info(f"Task {task_id}: Extracted {len(text)} chars from {page_count} pages using {extraction_method}")
         except PDFExtractionError as e:
             logger.error(f"Task {task_id}: Extraction failed - {str(e)}")
             return {