mve-micro-docs/test_ocr.py

#!/usr/bin/env python3
"""Script de prueba para verificar que OCR funciona correctamente."""
import sys
import os

def test_imports():
    """Verificar que todas las librerías necesarias están instaladas."""
    print("🔍 Verificando imports...")
    
    try:
        import pytesseract
        print("  ✓ pytesseract")
    except ImportError as e:
        print(f"  ✗ pytesseract: {e}")
        return False
    
    try:
        from PIL import Image
        print("  ✓ Pillow (PIL)")
    except ImportError as e:
        print(f"  ✗ Pillow: {e}")
        return False
    
    try:
        from pdf2image import convert_from_bytes
        print("  ✓ pdf2image")
    except ImportError as e:
        print(f"  ✗ pdf2image: {e}")
        return False
    
    try:
        import fitz
        print("  ✓ PyMuPDF")
    except ImportError as e:
        print(f"  ✗ PyMuPDF: {e}")
        return False
    
    return True


def test_tesseract():
    """Verificar que Tesseract está instalado y accesible."""
    print("\n🔍 Verificando Tesseract...")
    
    try:
        import pytesseract
        version = pytesseract.get_tesseract_version()
        print(f"  ✓ Tesseract versión: {version}")
        return True
    except Exception as e:
        print(f"  ✗ Error: {e}")
        print("  → Asegúrate de que Tesseract esté instalado y en el PATH")
        return False


def test_languages():
    """Verificar idiomas disponibles."""
    print("\n🔍 Verificando idiomas disponibles...")
    
    try:
        import pytesseract
        langs = pytesseract.get_languages()
        print(f"  Idiomas instalados: {', '.join(langs)}")
        
        if 'spa' in langs:
            print("  ✓ Español (spa) disponible")
        else:
            print("  ✗ Español (spa) NO disponible")
            print("  → Reinstala Tesseract con el paquete de idioma español")
            return False
        
        return True
    except Exception as e:
        print(f"  ✗ Error: {e}")
        return False


def test_poppler():
    """Verificar que poppler está disponible."""
    print("\n🔍 Verificando poppler...")
    
    try:
        from pdf2image import convert_from_bytes
        # Intentar convertir un PDF simple (1x1 pixel blanco)
        # Este es un PDF mínimo válido en base64
        import base64
        minimal_pdf = base64.b64decode(
            "JVBERi0xLjEKJeLjz9MKMSAwIG9iaiAKPDwgL1R5cGUgL0NhdGFsb2cgL1BhZ2VzIDIgMCBSID4+"
            "CmVuZG9iaiAKMiAwIG9iaiAKPDwgL1R5cGUgL1BhZ2VzIC9LaWRzIFszIDAgUl0gL0NvdW50IDEK"
            "L01lZGlhQm94IFswIDAgMzAwIDE0NF0gPj4KZW5kb2JqIAozIDAgb2JqIAo8PCAvVHlwZSAvUGFn"
            "ZSAvUGFyZW50IDIgMCBSIC9SZXNvdXJjZXMgPDwgL0ZvbnQgPDwgL0YxIDQgMCBSID4+ID4+IC9D"
            "b250ZW50cyA1IDAgUiA+PgplbmRvYmogCjQgMCBvYmogCjw8IC9UeXBlIC9Gb250IC9TdWJ0eXBl"
            "IC9UeXBlMSAvQmFzZUZvbnQgL1RpbWVzLVJvbWFuID4+CmVuZG9iaiAKNSAwIG9iaiAKPDwgL0xl"
            "bmd0aCA0NCA+PgpzdHJlYW0KQlQKNzAgNTAgVGQKL0YxIDEyIFRmCihIZWxsbykgVGoKRVQKZW5k"
            "c3RyZWFtCmVuZG9iaiAKeHJlZgowIDYKMDAwMDAwMDAwMCA2NTUzNSBmIAowMDAwMDAwMDEwIDAw"
            "MDAwIG4gCjAwMDAwMDAwNzkgMDAwMDAgbiAKMDAwMDAwMDE3MyAwMDAwMCBuIAowMDAwMDAwMzAx"
            "IDAwMDAwIG4gCjAwMDAwMDAzODAgMDAwMDAgbiAKdHJhaWxlcgo8PCAvU2l6ZSA2IC9Sb290IDAg"
            "MCBSID4+CnN0YXJ0eHJlZgo0OTEKJSVFT0YK"
        )
        
        images = convert_from_bytes(minimal_pdf, dpi=72)
        print(f"  ✓ poppler funciona correctamente")
        print(f"  → Convertido PDF a {len(images)} imagen(es)")
        return True
    except Exception as e:
        print(f"  ✗ Error: {e}")
        print("  → Instala poppler y agrégalo al PATH del sistema")
        return False


def test_ocr_simple():
    """Realizar una prueba simple de OCR."""
    print("\n🔍 Realizando prueba de OCR...")
    
    try:
        import pytesseract
        from PIL import Image, ImageDraw, ImageFont
        
        # Crear una imagen simple con texto
        img = Image.new('RGB', (300, 100), color='white')
        draw = ImageDraw.Draw(img)
        
        # Dibujar texto simple
        draw.text((10, 40), "Hola Mundo", fill='black')
        
        # Intentar OCR
        text = pytesseract.image_to_string(img, lang='spa')
        
        print(f"  Texto detectado: '{text.strip()}'")
        
        if text.strip():
            print("  ✓ OCR funciona correctamente")
            return True
        else:
            print("  ⚠ OCR no detectó texto (esto puede ser normal con fuentes simples)")
            return True
    except Exception as e:
        print(f"  ✗ Error en OCR: {e}")
        return False


def test_service_import():
    """Verificar que el servicio OCR se puede importar."""
    print("\n🔍 Verificando servicio OCR del proyecto...")
    
    try:
        # Agregar el directorio del proyecto al path si no está
        project_dir = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
        if project_dir not in sys.path:
            sys.path.insert(0, project_dir)
        
        from app.services.ocr_service import extract_text_with_ocr, is_pdf_scanned
        print("  ✓ Servicio OCR importado correctamente")
        
        from app.services.pdf_text import extract_text_from_pdf
        print("  ✓ Servicio PDF importado correctamente")
        
        return True
    except Exception as e:
        print(f"  ✗ Error: {e}")
        return False


def main():
    """Ejecutar todas las pruebas."""
    print("=" * 50)
    print("🧪 Prueba de Configuración OCR")
    print("=" * 50)
    
    results = {
        "Imports": test_imports(),
        "Tesseract": test_tesseract(),
        "Idiomas": test_languages(),
        "Poppler": test_poppler(),
        "OCR Simple": test_ocr_simple(),
        "Servicios": test_service_import()
    }
    
    print("\n" + "=" * 50)
    print("📊 Resumen")
    print("=" * 50)
    
    for test_name, result in results.items():
        status = "✓" if result else "✗"
        print(f"{status} {test_name}")
    
    all_passed = all(results.values())
    
    print("\n" + "=" * 50)
    if all_passed:
        print("🎉 ¡Todas las pruebas pasaron exitosamente!")
        print("Tu sistema está listo para usar OCR.")
    else:
        print("⚠️  Algunas pruebas fallaron.")
        print("Revisa los errores arriba y consulta OCR_SETUP.md")
    print("=" * 50)
    
    return 0 if all_passed else 1


if __name__ == "__main__":
    sys.exit(main())