LexOCR

SPA académica para extraer texto de imágenes y documentos (PDF/TIFF) y exportarlo a formatos consumibles por un LLM (JSON / Markdown / CSV / TXT + PNG anotado).

v1 usa OCR clásico (PP-OCRv6 medium): las páginas de PDF/TIFF se rasterizan y se OCR-ean una a una. v2 usará un VLM. Detalle: docs/PRODUCT.md.

License: Apache License 2.0

Vista previa

Studio	Upload	OCR

Más detalle: docs/media/README.md.

Mapa del repo

Ruta	Rol
backend/	API FastAPI + PaddleOCR
backend/app/	Módulos: ocr, orientation, routes…
backend/tests/	pytest API/storage (OCR mockeado)
frontend/	UI React + Vite
frontend/src/	Componentes y libs
tests/fixtures/images/	Fixtures checklist / smoke
archivos_pruebas/	Corpus de ejemplo incluido en el repo (probar al levantar + golden/e2e opt-in)
docs/	Producto y ejemplos
docs/media/	Capturas del studio (README / LinkedIn)
scripts/	Arranque dev
CHANGELOG.md	Cambios recientes
LICENSE	Apache-2.0

Requisitos

• Python 3.11+
• Node.js 20+

Quickstart

Bootstrap (una vez)

cd backend
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt

cd ..\frontend
npm install

Arranque

# Desde la raíz del repo
.\scripts\dev.ps1

Unix:

./scripts/dev.sh

• Frontend: http://localhost:5173
• API: http://localhost:8100 (/health, /docs)

Variables: .env.example (VITE_API_URL, cache PaddleX; opcional PADDLEOCR_API_TOKEN para SDK cloud futuro — el pipeline local no lo usa).

Probar en 2 minutos

Tras el clone, los documentos de prueba ya están en el repo (no hace falta descargar nada extra):

1. Arrancá con .\scripts\dev.ps1 y abrí http://localhost:5173
2. Subí tests/fixtures/images/poster.avif → Run → revisá TRY / WERE verticales
3. Probá el corpus incluido en archivos_pruebas/ (doc_01…doc_12, incl. PDF multipágina): subí → Run (el PDF auto-OCR página a página)
4. Exportá json o md desde el header

Producto (resumen)

• Motor único PP-OCRv6 medium (engine escena; sin doc_orientation / unwarping).
• Imágenes: PNG, JPEG, WEBP, GIF, BMP, ICO, PPM, AVIF → PNG pending → Run / /infer (rescate angular ON).
• Documentos: PDF (raster pypdfium2) y TIFF (Pillow); tope 50 págs. / ≤ 20 MB → N PNG pending → la UI auto-llama /infer por página (rescate OFF en PDF/TIFF).
• Export JSON (reading_order, page_index), Markdown, CSV, TXT, PNG anotado.
• Ejemplo JSON: docs/examples/ocr-result.example.json.

Tests automatizados

No reemplazan del todo el checklist e2e manual. Capas:

# Rápidos (sin Paddle real)
cd backend
.\.venv\Scripts\Activate.ps1
pip install -r requirements-dev.txt
pytest

cd ..\frontend
npm test

# Opt-in: golden OCR real (Paddle; usa archivos_pruebas/doc_01.webp)
cd ..\backend
pytest -m slow -o addopts=

# Opt-in: Playwright (backend debe estar en :8100)
cd ..\frontend
npm run test:e2e

CI en push/PR: .github/workflows/tests.yml (pytest rápido sin Paddle + npm test + build).

Corpus de ejemplo para usuarios finales (viene con el clone): archivos_pruebas/. Fixtures del checklist: tests/fixtures/images/.

Detalle: backend/README.md y frontend/README.md.

Checklist e2e manual

Con backend y frontend arriba:

Caso	Cómo / esperado
tests/fixtures/images/poster.avif	Run → TRY ≈ −90°, WERE ≈ +90°
nube-manzana.png / nube-corazon.jpeg	confAvg razonable; algunas orientation ≠ 0
archivos_pruebas/doc_01…doc_12	Smoke libre (formatos mixtos + PDF); ver archivos_pruebas/README.md
PDF corto (2–3 págs.)	Galería doc.pdf · p.k/n; UI auto-OCR; API deja páginas pending tras /upload
TIFF multipágina	Ídem (frames vía Pillow)
PDF > 50 págs.	HTTP 400
Export md / json	Incluyen page_index / page_count en páginas de documento

También: cd frontend && npm run build.

Stack

• Frontend: React 19 + TypeScript + Vite + Tailwind CSS v4
• Backend: FastAPI + PaddleOCR PP-OCRv6 (backend/app/)