5fc23e0dbd
- ocr_preprocess.py: DEVONthink UUID → 파일 추출 → GPU Surya OCR(:8400) 호출 → 텍스트 반환 - auto_classify.scpt: Step 0 OCR 감지 추가 (텍스트 없는 PDF/이미지 → Surya OCR → 본문 병합) - 이미지/스캔 PDF 자동 감지: docType이 PDF/JPEG/PNG/TIFF이고 텍스트가 비어있는 경우 - OCR 실패 시 로그 기록 후 분류 진행 (graceful degradation) Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
80 lines
2.2 KiB
Python
80 lines
2.2 KiB
Python
#!/usr/bin/env python3
|
|
"""
|
|
OCR 전처리 스크립트
|
|
- DEVONthink 문서 UUID로 파일 경로 추출
|
|
- GPU 서버 Surya OCR API 호출
|
|
- OCR 텍스트 반환 (auto_classify.scpt에서 호출)
|
|
"""
|
|
|
|
import sys
|
|
import requests
|
|
from pathlib import Path
|
|
|
|
sys.path.insert(0, str(Path(__file__).parent))
|
|
from pkm_utils import setup_logger, load_credentials, run_applescript_inline
|
|
|
|
logger = setup_logger("ocr")
|
|
|
|
|
|
def get_document_path(doc_uuid: str) -> str | None:
|
|
"""DEVONthink에서 UUID로 문서 파일 경로 추출"""
|
|
script = f'''
|
|
tell application id "DNtp"
|
|
set theRecord to get record with uuid "{doc_uuid}"
|
|
return POSIX path of (path of theRecord as POSIX file)
|
|
end tell
|
|
'''
|
|
try:
|
|
return run_applescript_inline(script)
|
|
except Exception as e:
|
|
logger.error(f"파일 경로 추출 실패 [{doc_uuid}]: {e}")
|
|
return None
|
|
|
|
|
|
def run_ocr(file_path: str, gpu_server_ip: str, langs: str = "ko,en,ja") -> str | None:
|
|
"""GPU 서버 Surya OCR API 호출"""
|
|
url = f"http://{gpu_server_ip}:8400/ocr"
|
|
try:
|
|
with open(file_path, "rb") as f:
|
|
resp = requests.post(
|
|
url,
|
|
files={"file": (Path(file_path).name, f)},
|
|
data={"langs": langs},
|
|
timeout=300,
|
|
)
|
|
resp.raise_for_status()
|
|
result = resp.json()
|
|
text = result.get("text", "")
|
|
pages = result.get("total_pages", 0)
|
|
logger.info(f"OCR 완료: {pages}페이지, {len(text)}자")
|
|
return text
|
|
except Exception as e:
|
|
logger.error(f"OCR 실패 [{file_path}]: {e}")
|
|
return None
|
|
|
|
|
|
def run(doc_uuid: str) -> str:
|
|
"""단일 문서 OCR 처리 — 텍스트 반환"""
|
|
logger.info(f"OCR 처리 시작: {doc_uuid}")
|
|
|
|
creds = load_credentials()
|
|
gpu_ip = creds.get("GPU_SERVER_IP")
|
|
if not gpu_ip:
|
|
logger.warning("GPU_SERVER_IP 미설정 — OCR 건너뜀")
|
|
return ""
|
|
|
|
file_path = get_document_path(doc_uuid)
|
|
if not file_path:
|
|
return ""
|
|
|
|
text = run_ocr(file_path, gpu_ip)
|
|
return text or ""
|
|
|
|
|
|
if __name__ == "__main__":
|
|
if len(sys.argv) < 2:
|
|
print("사용법: python3 ocr_preprocess.py <DEVONthink_UUID>")
|
|
sys.exit(1)
|
|
result = run(sys.argv[1])
|
|
print(result)
|