Files
Effi/effi-crawl4ai/update-effiserver.sh
Folzo 93f31cdaeb 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

216 lines
6.2 KiB
Bash

#!/bin/bash
# Script de mise à jour du Web Scraper sur effi-server
# À exécuter dans /root/effi/
set -e
echo "================================"
echo "Mise à jour Web Scraper"
echo "================================"
echo ""
# 1. Nettoyer l'ancien conteneur standalone
echo "🧹 Nettoyage de l'ancien conteneur..."
docker stop effi-web-scraper 2>/dev/null || true
docker rm effi-web-scraper 2>/dev/null || true
# 2. Nettoyer le réseau si créé
echo "🗑️ Suppression du réseau effi-net temporaire..."
docker network rm effi-net 2>/dev/null || true
# 3. Supprimer l'ancienne section crawl4ai du docker-compose
echo "📝 Mise à jour du docker-compose.yml..."
# Créer le service web-scraper à insérer
cat > /tmp/web-scraper-service.txt << 'EOF'
# ─────────────────────────────────────────────────────────
# 8. WEB SCRAPER - Scraping pour OpenWebUI
# → http://localhost:11235
# ─────────────────────────────────────────────────────────
web-scraper:
build: ./web-scraper
container_name: effi-web-scraper
restart: unless-stopped
ports:
- "11235:11235"
networks:
- effi-net
EOF
# Backup du docker-compose
cp docker-compose.yml docker-compose.yml.backup.$(date +%Y%m%d_%H%M%S)
# Utiliser awk pour remplacer la section 8 (crawl4ai) par web-scraper
awk '
/^networks:/ {
# On est à la fin du fichier services, inserer le nouveau service avant
system("cat /tmp/web-scraper-service.txt")
}
{ print }
' docker-compose.yml > /tmp/docker-compose-new.yml
mv /tmp/docker-compose-new.yml docker-compose.yml
echo "✅ Section #8 mise à jour (crawl4ai → web-scraper)"
# 4. Créer le répertoire et les fichiers du web-scraper
echo ""
echo "📁 Création du répertoire web-scraper..."
mkdir -p web-scraper
cat > web-scraper/Dockerfile << 'EOF'
FROM python:3.11-slim
WORKDIR /app
RUN apt-get update && apt-get install -y --no-install-recommends \
curl \
&& rm -rf /var/lib/apt/lists/*
RUN pip install --no-cache-dir fastapi uvicorn requests beautifulsoup4
COPY scraper.py .
EXPOSE 11235
HEALTHCHECK --interval=30s --timeout=10s --start-period=30s --retries=3 \
CMD curl -f http://localhost:11235/health || exit 1
CMD ["uvicorn", "scraper:app", "--host", "0.0.0.0", "--port", "11235"]
EOF
cat > web-scraper/scraper.py << 'EOF'
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import Optional, List
import requests
from bs4 import BeautifulSoup
app = FastAPI(title="Effi Web Scraper", version="1.0.0")
class ScrapeRequest(BaseModel):
url: str
max_length: Optional[int] = 10000
class ScrapeResponse(BaseModel):
url: str
title: str
content: str
links: List[str]
success: bool
error: Optional[str] = None
@app.get("/health")
def health():
return {"status": "healthy"}
@app.post("/scrape", response_model=ScrapeResponse)
def scrape(request: ScrapeRequest):
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
}
response = requests.get(request.url, headers=headers, timeout=30)
response.raise_for_status()
soup = BeautifulSoup(response.content, 'html.parser')
title = soup.title.string if soup.title else "No title"
for script in soup(["script", "style"]):
script.decompose()
main_content = None
for selector in ['main', 'article', '[role="main"]', '.content', '#content', '.post-content']:
main_content = soup.select_one(selector)
if main_content:
break
if not main_content:
main_content = soup.body if soup.body else soup
text = main_content.get_text(separator='\n', strip=True)
lines = [line.strip() for line in text.split('\n') if line.strip()]
text = '\n'.join(lines)
if len(text) > request.max_length:
text = text[:request.max_length] + f"\n\n[...] {len(text) - request.max_length} caractères supplémentaires"
links = []
for a in soup.find_all('a', href=True):
href = a['href']
if href.startswith('http'):
links.append(href)
links = links[:20]
return ScrapeResponse(
url=request.url,
title=title,
content=text,
links=links,
success=True
)
except Exception as e:
return ScrapeResponse(
url=request.url,
title="Error",
content="",
links=[],
success=False,
error=str(e)
)
@app.post("/scrape/sync")
def scrape_sync(url: str, max_length: int = 10000):
request = ScrapeRequest(url=url, max_length=max_length)
result = scrape(request)
if not result.success:
raise HTTPException(status_code=400, detail=result.error)
return {
"url": result.url,
"html": result.content,
"markdown": result.content,
"success": True
}
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=11235)
EOF
echo "✅ Fichiers créés dans web-scraper/"
# 5. Relancer docker-compose
echo ""
echo "🚀 Démarrage du service web-scraper..."
docker-compose up -d web-scraper
echo ""
echo "⏳ Attente du démarrage (30s)..."
sleep 30
# 6. Vérification
echo ""
echo "🔍 Vérification..."
if curl -s http://localhost:11235/health > /dev/null 2>&1; then
echo "✅ Web Scraper est fonctionnel !"
curl http://localhost:11235/health
else
echo "⚠️ Le service ne répond pas encore"
docker logs effi-web-scraper
fi
echo ""
echo "================================"
echo "Installation terminée !"
echo "================================"
echo ""
echo "📋 Configuration OpenWebUI:"
echo " Admin → Tools → Web Search and Crawl → ⚙️"
echo " Crawl4AI Base URL: http://localhost:11235"
echo " Timeout: 30000"
echo " ✅ Activer le Tool"