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 +1,175 @@
+# Tool OCR pour OpenWebUI
+
+## Configuration
+
+Dans OpenWebUI (http://192.168.1.27:3000) :
+
+1. **Aller dans** : Admin → Tools → Create Tool
+2. **Nom** : OCR Extracteur de Texte
+3. **ID** : ocr_extractor
+4. **Description** : Extrait le texte des images pour les livres et documents
+
+## Code du Tool
+
+```python
+from typing import Optional
+import requests
+import base64
+import os
+
+class Tools:
+    def __init__(self):
+        """Initialize OCR Tool"""
+        self.ocr_url = os.getenv("OCR_URL", "http://192.168.1.11:8300")
+    
+    def extract_text_from_image(self, image_path: str, language: str = "fra") -> str:
+        """
+        Extract text from an image file using OCR
+        
+        Args:
+            image_path: Path to the image file (jpg, png, etc.)
+            language: Language code (fra, eng, fra+eng, etc.)
+        
+        Returns:
+            Extracted text from the image
+        """
+        try:
+            # Read image file
+            with open(image_path, 'rb') as f:
+                files = {'file': f}
+                data = {'lang': language}
+                
+                response = requests.post(
+                    f"{self.ocr_url}/ocr",
+                    files=files,
+                    data=data,
+                    timeout=30
+                )
+                
+                if response.status_code == 200:
+                    result = response.json()
+                    if result.get('success'):
+                        text = result.get('text', '')
+                        char_count = result.get('characters_count', 0)
+                        word_count = result.get('words_count', 0)
+                        return f"Texte extrait ({char_count} caractères, {word_count} mots):\n\n{text}"
+                    else:
+                        return f"Erreur OCR: {result.get('error', 'Unknown error')}"
+                else:
+                    return f"Erreur HTTP {response.status_code}: {response.text}"
+                    
+        except FileNotFoundError:
+            return f"Erreur: Fichier non trouvé: {image_path}"
+        except Exception as e:
+            return f"Erreur lors de l'OCR: {str(e)}"
+    
+    def extract_text_from_base64(self, image_base64: str, language: str = "fra") -> str:
+        """
+        Extract text from a base64 encoded image
+        
+        Args:
+            image_base64: Base64 encoded image string
+            language: Language code (fra, eng, fra+eng, etc.)
+        
+        Returns:
+            Extracted text from the image
+        """
+        try:
+            response = requests.post(
+                f"{self.ocr_url}/ocr/base64",
+                json={
+                    'image_base64': image_base64,
+                    'lang': language,
+                    'preprocess': True
+                },
+                timeout=30
+            )
+            
+            if response.status_code == 200:
+                result = response.json()
+                if result.get('success'):
+                    text = result.get('text', '')
+                    char_count = result.get('characters_count', 0)
+                    word_count = result.get('words_count', 0)
+                    return f"Texte extrait ({char_count} caractères, {word_count} mots):\n\n{text}"
+                else:
+                    return f"Erreur OCR: extraction échouée"
+            else:
+                return f"Erreur HTTP {response.status_code}: {response.text}"
+                
+        except Exception as e:
+            return f"Erreur lors de l'OCR: {str(e)}"
+    
+    def get_available_languages(self) -> str:
+        """
+        Get list of available OCR languages
+        
+        Returns:
+            List of available language codes
+        """
+        try:
+            response = requests.get(f"{self.ocr_url}/languages", timeout=10)
+            
+            if response.status_code == 200:
+                result = response.json()
+                languages = result.get('available_languages', [])
+                return f"Langues disponibles: {', '.join(languages)}"
+            else:
+                return f"Erreur: {response.status_code}"
+                
+        except Exception as e:
+            return f"Erreur: {str(e)}"
+```
+
+## Variables d'environnement
+
+Dans les Settings d'OpenWebUI (Admin → Settings → Environment Variables) :
+
+```
+OCR_URL=http://192.168.1.11:8300
+```
+
+## Utilisation
+
+Une fois le Tool créé, les agents pourront l'utiliser avec ces fonctions :
+
+- `extract_text_from_image("/chemin/vers/image.jpg", "fra")` - Extraire le texte d'un fichier image
+- `extract_text_from_base64("base64encoded...", "fra")` - Extraire d'une image encodée en base64
+- `get_available_languages()` - Lister les langues disponibles
+
+## Exemple de prompt
+
+```
+"Effi, lis-moi ce texte" [upload d'image]
+→ L'agent utilise automatiquement le Tool OCR
+```
+
+## Langues disponibles
+
+- `fra` - Français
+- `eng` - Anglais
+- `fra+eng` - Français + Anglais (bilingue)
+- `deu` - Allemand
+- `spa` - Espagnol
+- `ita` - Italien
+
+## Dépannage
+
+**Erreur de connexion** :
+```bash
+# Vérifier que le service OCR tourne
+curl http://192.168.1.11:8300/health
+
+# Redémarrer si nécessaire
+cd ~/Documents/OpenCode/Projets/Effi/effi-ocr
+sudo docker compose restart
+```
+
+**Texte mal extrait** :
+- Essayer `fra+eng` pour les documents bilingues
+- Vérifier la qualité de l'image (résolution, contraste)
+- L'OCR fonctionne mieux avec des images bien éclairées
+
+---
+
+*Tool créé le 6 Avril 2026*