PDF-to-MD Converter

Webapp per convertire PDF e immagini in Markdown pulito usando LightOnOCR tramite Ollama.

Caratteristiche

• Multi-formato: Supporta PDF, PNG, JPG, JPEG, TIFF, BMP, WEBP
• OCR locale: Utilizza LightOnOCR eseguito localmente via Ollama
• Streaming OCR: Risultati in tempo reale mentre il modello elabora
• Vista affiancata: Documento originale a sinistra, Markdown a destra
• Navigazione pagine: Thumbnail per navigare tra le pagine
• Caching: Risultati salvati su disco per non rielaborare
• Download: Esporta tutto il documento in un file .md

Requisiti

1. Python 3.10+
2. Ollama installato e in esecuzione
3. Modello LightOnOCR:

   ollama pull Maternion/LightOnOCR-2:latest

Installazione

# Clona il repository
git clone <repo-url>
cd glm-ocr-webapp

# Crea ambiente virtuale (opzionale ma consigliato)
python -m venv venv

# Attiva l'ambiente virtuale
# Windows:
venv\Scripts\activate
# Linux/macOS:
source venv/bin/activate

# Installa le dipendenze
pip install -r requirements.txt

Avvio

1. Avvia Ollama (se non e gia in esecuzione):

   ollama serve

2. Avvia il server web:

   python pd-to-md.py

3. Apri il browser:

   http://localhost:8000
   

Configurazione

Variabili d'ambiente opzionali:

Variabile	Default	Descrizione
OLLAMA_URL	http://localhost:11434	URL del server Ollama
OCR_MODEL	Maternion/LightOnOCR-2:latest	Modello OCR da utilizzare
OCR_PROMPT	(prompt interno)	Prompt per l'estrazione del contenuto
RENDER_DPI	150	DPI per rendering PDF

Esempio:

export OCR_MODEL=custom-ocr-model:latest
export RENDER_DPI=200
python pd-to-md.py

API Endpoints

Metodo	Endpoint	Descrizione
POST	/api/upload	Carica PDF/immagine, restituisce job_id
GET	/api/page/{job_id}/{page}	Ottieni immagine pagina
GET	/api/ocr/{job_id}/{page}	Avvia OCR (streaming SSE)
GET	/api/markdown/{job_id}	Scarica tutto il markdown
GET	/api/health	Stato connessione Ollama e modello OCR
DELETE	/api/jobs/{job_id}	Elimina job

Streaming Events (SSE)

L'endpoint /api/ocr/{job_id}/{page} utilizza Server-Sent Events:

Evento	Descrizione
cached	Risultato gia in cache
stage	Inizio elaborazione OCR
data	Chunk di testo generato
done	Elaborazione completata
error	Errore durante l'elaborazione

Struttura Progetto

glm-ocr-webapp/
├── pd-to-md.py          # Backend FastAPI
├── requirements.txt     # Dipendenze Python
├── static/
│   ├── index.html      # Frontend HTML
│   ├── app.js          # Logica frontend
│   └── styles.css      # Stili CSS
├── jobs/               # Directory job (auto-creata)
│   └── {job_id}/
│       ├── meta.json   # Metadati job
│       ├── page-*.png  # Immagini pagine
│       └── page-*.md   # Risultati OCR (cache)
└── uploads/            # Upload temporanei

Keyboard Shortcuts

• <- / -> : Naviga tra le pagine
• Ctrl+S / Cmd+S : Scarica Markdown
• Escape : Torna alla schermata upload

Troubleshooting

Ollama non trovato

# Verifica che Ollama sia in esecuzione
ollama list

# Se non parte
ollama serve

Modello non trovato

# Scarica il modello necessario
ollama pull Maternion/LightOnOCR-2:latest

Timeout su documenti grandi

Il timeout e impostato a 10 minuti. Per documenti molto lunghi, puoi aumentare RENDER_DPI per qualita migliore o diminuirlo per performance migliori.

Caricamento infinito

Se l'OCR sembra bloccato, verifica:

1. Che Ollama sia in esecuzione: ollama list
2. Che il modello sia disponibile: controlla /api/health
3. Verifica i log del server per errori

Licenza

MIT