API de OCR

Base: https://ocr.argentech.online. Esta API habla con los motores ya instalados. No los reemplaza.

Tesseract 5, en ocrt.argentech.online. Contrato de POST /v1/ocr.
PaddleOCR 3.7 (PP-OCRv6 small), en ocrp.argentech.online. Contrato de POST /ocr de PaddleX.

Todas las llamadas de lectura piden Authorization: Bearer <OCR_API_KEY>. También se acepta X-Api-Key. GET /health, GET /docs y GET /openapi.json no piden clave.

El campo file de Paddle, en esta API, es el archivo en base64. No se aceptan URLs: el gateway no descarga documentos.

Límites

Tesseract: 8 MB, PDF hasta 3 páginas, idiomas spa, eng, spa+eng, eng+spa.
PaddleOCR: 20 MB de archivo, PDF hasta 5 páginas.
Formatos: PNG, JPEG, TIFF, GIF, BMP, WEBP y PDF.
Como máximo dos lecturas a la vez. El proxy permite unas 10 por minuto y por IP.

`POST /v1/ocr`

Un solo endpoint para la consola y para clientes. Cuerpo multipart/form-data con el campo file y engine (tesseract o paddle). El resto de los campos son los de cada motor, documentados abajo.

Respuesta 200:

{
  "engine": "tesseract",
  "text": "texto reconocido",
  "pages": 1,
  "raw": {}
}

raw es la respuesta original del motor.

curl -sS -H "Authorization: Bearer $OCR_API_KEY" \
  -F "engine=tesseract" -F "lang=spa" -F "psm=3" \
  -F "file=@pagina.png" \
  https://ocr.argentech.online/v1/ocr

`POST /v1/tesseract/ocr`

Los mismos argumentos que POST /v1/ocr de ocrt.argentech.online. El cuerpo puede ser el archivo en crudo o multipart/form-data con el campo file (o image). lang y psm van en la query o en el formulario.

Argumento	Valores	Por defecto
`lang`	`spa`, `eng`, `spa+eng`, `eng+spa`	`spa`
`psm`	`0` a `13`, los modos de segmentación de Tesseract	`3`

El servicio instalado fija --oem 1 (LSTM). Ese argumento no se puede cambiar desde la API.

psm	Significado
0	Solo orientación y escritura
1	Automática, con orientación
2	Automática, sin orientación
3	Automática, sin más datos
4	Una columna de texto variable
5	Un bloque vertical uniforme
6	Un bloque uniforme
7	Una línea
8	Una palabra
9	Una palabra dentro de un círculo
10	Un carácter
11	Texto disperso
12	Texto disperso, con orientación
13	Una línea, sin el modelo de Tesseract

Respuesta 200, igual que ocrt: {"text","lang","pages"}.

curl -sS -H "Authorization: Bearer $OCR_API_KEY" \
  -H "Content-Type: image/png" \
  --data-binary @pagina.png \
  "https://ocr.argentech.online/v1/tesseract/ocr?lang=spa&psm=6"

`POST /v1/paddle/ocr`

Los campos de InferRequest que publica el OpenAPI de PaddleX en el contenedor (POST /ocr). Cuerpo application/json.

Campo	Tipo	Notas
`file`	string, obligatorio	Contenido en base64. PNG, JPEG, TIFF, GIF, BMP, WEBP o PDF.
`fileType`	0 o 1	0 = PDF, 1 = imagen. Si se omite, Paddle lo infiere.
`useDocOrientationClassify`	boolean	Clasifica la orientación. El servicio arranca con esto apagado.
`useDocUnwarping`	boolean	Endereza el documento. Apagado en el servicio instalado.
`useTextlineOrientation`	boolean	Orienta cada línea. Apagado en el servicio instalado.
`textDetLimitSideLen`	entero 32–4000	Lado al que se redimensiona antes de detectar. Instalado: 64.
`textDetLimitType`	`min` o `max`	Si ese lado es el corto o el largo. Instalado: `min`.
`textDetThresh`	número 0–1	Umbral del mapa de detección. Instalado: 0.3.
`textDetBoxThresh`	número 0–1	Umbral para conservar una caja. Instalado: 0.6.
`textDetUnclipRatio`	número 0.1–5	Cuánto se agranda la caja. Instalado: 1.5.
`textRecScoreThresh`	número 0–1	Puntaje mínimo para devolver un texto. Instalado: 0.
`returnWordBox`	boolean	Cajas por palabra, además de la línea.
`visualize`	boolean	Imágenes en base64 dentro de la respuesta. Conviene dejarlo en false.
`logId`	string	Identificador opcional, hasta 128 caracteres imprimibles.

La respuesta 200 es la de PaddleX: logId, errorCode 0, errorMsg y result.ocrResults[]. El texto de cada página está en prunedResult.rec_texts, con rec_scores y rec_boxes.

B64=$(base64 < pagina.png | tr -d '\n')
curl -sS -H "Authorization: Bearer $OCR_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{\"file\":\"$B64\",\"fileType\":1,\"textDetLimitSideLen\":64,\"textDetLimitType\":\"min\"}" \
  https://ocr.argentech.online/v1/paddle/ocr

Errores

Código	Cuándo
400	Falta un campo, el idioma o un parámetro no está permitido.
401	Falta el bearer o no coincide.
411	Falta `Content-Length`.
413	El archivo supera el tope del motor.
415	El formato no es una imagen o un PDF reconocible.
422	El motor no pudo leer el archivo, o se quedó sin tiempo.
429	Ya hay dos lecturas en curso, o el proxy cortó por ritmo.
502	El motor no respondió.

El cuerpo de error de esta API es {"error":"mensaje"}. Si el motor responde con su propio JSON de error, /v1/tesseract/ocr y /v1/paddle/ocr lo reenvían tal cual.

Estado

curl -sS https://ocr.argentech.online/health

status vale ok cuando los dos motores responden, y degraded si alguno no. engines.tesseract y engines.paddle pueden ser ok, starting o down.

Desde otro contenedor

En la red proxy-net: http://api-ocr:8080 con la misma clave. Los motores siguen en http://api-ocrt:8080 y http://api-paddleocr:8080, cada uno con su propia clave.