Ajout Effi-OCR (Tesseract) + Web Scraper pour OpenWebUI

- Effi-OCR: Service OCR avec Tesseract (multilingue FR/EN) * API FastAPI sur port 8300 * Prétraitement images (contraste, niveaux de gris) * Tool OpenWebUI intégré - Web Scraper: Service Python (BeautifulSoup) sur port 11235 * Alternative à Crawl4AI (incompatible ARM64/J5040) * Scraping HTML basique mais fonctionnel * Intégré au docker-compose d'effi-server - Documentation: * ROADMAP-FONCTIONNALITES.md: Plan des 9 fonctionnalités * WEB-SCRAPER-CONFIG.md: Configuration OpenWebUI * WEB-SCRAPER-TOOL.md: Code du Tool - Script start-all-services.sh mis à jour (6 services)
2026-04-06 16:34:27 +02:00
parent 5f1e19ff91
commit 93f31cdaeb
25 changed files with 2469 additions and 6 deletions
@@ -0,0 +1,232 @@
+# 📝 Effi-OCR
+
+Service OCR (Optical Character Recognition) pour Effi. Extrait le texte des images et photos de documents.
+
+---
+
+## 🎯 Fonctionnalités
+
+- Extraction de texte à partir d'images (JPEG, PNG, GIF, BMP, TIFF, WebP)
+- Support multilingue (Français, Anglais, Allemand, Espagnol, Italien)
+- Prétraitement automatique pour améliorer la qualité
+- API REST simple et rapide
+- Intégration OpenWebUI via Tool
+
+---
+
+## 🚀 Démarrage rapide
+
+```bash
+# Construire et démarrer
+cd ~/Documents/OpenCode/Projets/Effi/effi-ocr
+sudo docker compose up -d --build
+
+# Vérifier le service
+curl http://localhost:8300/health
+```
+
+---
+
+## 📡 API Endpoints
+
+### Health Check
+```bash
+GET /health
+```
+
+### OCR - Upload fichier
+```bash
+POST /ocr
+Content-Type: multipart/form-data
+
+Parameters:
+  - file: Image à analyser
+  - lang: Code langue (fra, eng, fra+eng, etc.)
+  - preprocess: true/false (prétraitement auto)
+```
+
+Exemple:
+```bash
+curl -X POST -F "file=@photo.jpg" -F "lang=fra" http://localhost:8300/ocr
+```
+
+### OCR - Base64
+```bash
+POST /ocr/base64
+Content-Type: application/json
+
+{
+  "image_base64": "...",
+  "lang": "fra",
+  "preprocess": true
+}
+```
+
+### Langues disponibles
+```bash
+GET /languages
+```
+
+---
+
+## 🔧 Configuration
+
+### Variables d'environnement
+
+| Variable | Défaut | Description |
+|----------|--------|-------------|
+| `OCR_URL` | `http://192.168.1.11:8300` | URL du service OCR |
+
+### Langues supportées
+
+- `fra` - Français
+- `eng` - Anglais  
+- `fra+eng` - Bilingue FR+EN
+- `deu` - Allemand
+- `spa` - Espagnol
+- `ita` - Italien
+
+---
+
+## 🐳 Docker
+
+### Construction
+```bash
+sudo docker compose build
+```
+
+### Démarrage
+```bash
+sudo docker compose up -d
+```
+
+### Logs
+```bash
+sudo docker logs effi-ocr -f
+```
+
+### Arrêt
+```bash
+sudo docker compose down
+```
+
+---
+
+## 🔗 Intégration OpenWebUI
+
+Voir [TOOL-OPENWEBUI.md](TOOL-OPENWEBUI.md) pour la configuration complète du Tool.
+
+**Résumé rapide:**
+1. Admin → Tools → Create Tool
+2. Copier le code Python fourni
+3. Configurer la variable `OCR_URL`
+4. Activer le Tool dans les paramètres de conversation
+
+---
+
+## 🧪 Tests
+
+### Test de santé
+```bash
+curl http://localhost:8300/health
+```
+
+### Test OCR simple
+```bash
+curl -X POST \
+  -F "file=@/chemin/vers/image.jpg" \
+  -F "lang=fra" \
+  http://localhost:8300/ocr
+```
+
+### Test avec prétraitement désactivé
+```bash
+curl -X POST \
+  -F "file=@image.png" \
+  -F "lang=eng" \
+  -F "preprocess=false" \
+  http://localhost:8300/ocr
+```
+
+---
+
+## 📊 Performance
+
+- **Temps de traitement** : ~1-3 secondes par image (dépend de la taille)
+- **Formats supportés** : JPEG, PNG, GIF, BMP, TIFF, WebP
+- **Taille max recommandée** : 2048x2048 pixels
+- **Prétraitement** : Conversion niveaux de gris + contraste (optionnel)
+
+---
+
+## 🐛 Dépannage
+
+### Service ne répond pas
+```bash
+# Vérifier si le conteneur tourne
+sudo docker ps | grep effi-ocr
+
+# Redémarrer
+sudo docker restart effi-ocr
+
+# Voir les logs
+sudo docker logs effi-ocr
+```
+
+### Tesseract non trouvé
+L'erreur indique que Tesseract n'est pas installé dans le conteneur. Reconstruire:
+```bash
+sudo docker compose down
+sudo docker compose up -d --build
+```
+
+### OCR de mauvaise qualité
+- Utiliser `lang=fra+eng` pour les documents mixtes
+- S'assurer que l'image est bien éclairée
+- Vérifier la résolution (300 DPI recommandé pour documents)
+- Activer le prétraitement (par défaut: true)
+
+---
+
+## 📁 Structure
+
+```
+effi-ocr/
+├── main.py              # API FastAPI
+├── Dockerfile           # Configuration Docker
+├── docker-compose.yml   # Orchestration
+├── requirements.txt     # Dépendances Python
+├── README.md           # Ce fichier
+└── TOOL-OPENWEBUI.md   # Guide Tool OpenWebUI
+```
+
+---
+
+## 📝 Dépendances
+
+- Python 3.11
+- FastAPI
+- Pillow (traitement d'images)
+- pytesseract (wrapper Tesseract)
+- Tesseract OCR 5.x
+
+---
+
+## 🎨 Cas d'usage
+
+- **Numérisation de livres** : Extraire le texte de photos de pages
+- **Factures** : Récupérer les informations de factures scannées
+- **Documents** : OCR sur PDF et images de documents
+- **Notes manuscrites** : Reconnaissance de texte manuscrit (limitée)
+
+---
+
+## 🔒 Sécurité
+
+- Le service écoute uniquement sur localhost (127.0.0.1:8300)
+- Aucune donnée n'est stockée persistante
+- Les images sont traitées en mémoire et supprimées après
+
+---
+
+Créé le 6 Avril 2026