OCR Microservice

Микросервис для извлечения текста из документов (PDF, DOCX, TXT, MD) с использованием OCR технологий.

Возможности

• Извлечение текста из PDF файлов с помощью Tesseract OCR
• Обработка DOCX документов
• Поддержка текстовых файлов (TXT, MD)
• REST API на FastAPI
• Поддержка русского и английского языков

Развертывание на Heroku

Предварительные требования

1. Учетная запись Heroku
2. Heroku CLI установлен
3. Git репозиторий

Шаги развертывания

1. Создайте приложение на Heroku:

   heroku create your-ocr-app-name

2. Добавьте buildpack для системных зависимостей:

   heroku buildpacks:add --index 1 heroku/python
   heroku buildpacks:add --index 2 https://github.com/heroku/heroku-buildpack-apt

3. Создайте файл Aptfile для системных зависимостей:

   echo "tesseract-ocr" > Aptfile
   echo "poppler-utils" >> Aptfile
   echo "libgl1" >> Aptfile
   echo "libmagic1" >> Aptfile

4. Установите переменные окружения:

   heroku config:set TIMEWEB_API_KEY=your_api_key_here

5. Разверните приложение:

   git add .
   git commit -m "Deploy to Heroku"
   git push heroku main

6. Проверьте статус:

   heroku ps:scale web=1
   heroku logs --tail

API Endpoints

• GET / - Информация о сервисе
• GET /ocr/health - Проверка здоровья сервиса
• POST /ocr/process-file - Обработка файла

Использование API

# Проверка здоровья
curl https://your-app-name.herokuapp.com/ocr/health

# Обработка файла
curl -X POST "https://your-app-name.herokuapp.com/ocr/process-file" \
     -H "accept: application/json" \
     -H "Content-Type: multipart/form-data" \
     -F "[email protected]"

Локальная разработка

1. Установите зависимости:

   pip install -r requirements.txt

2. Установите системные зависимости (Ubuntu/Debian):

   sudo apt-get install tesseract-ocr poppler-utils libgl1 libmagic1

3. Запустите сервис:

   python main.py

Переменные окружения

• TIMEWEB_API_KEY - API ключ для Timeweb (опционально)
• PORT - Порт для запуска (автоматически устанавливается Heroku)

Ограничения

• Максимальный размер файла: 50MB
• Поддерживаемые форматы: PDF, DOCX, TXT, MD
• Таймаут обработки: 30 секунд (настраивается в Heroku)

Мониторинг

Для мониторинга производительности используйте:

heroku logs --tail
heroku ps