services/ocr_service.py

import os
import re
from paddleocr import PaddleOCR
from typing import List
import logging

# Tắt log rác
logging.getLogger("ppocr").setLevel(logging.ERROR)
logging.getLogger("paddle").setLevel(logging.ERROR)

class OCRService:
    def __init__(self):
        """Khởi tạo PaddleOCR cho phiên bản Pipeline mới."""
        self.ocr = PaddleOCR(lang='vi', use_textline_orientation=False, use_doc_orientation_classify=False,
    use_doc_unwarping=False)

    def extract_text(self, img_path: str) -> list[str]: # Đã sửa List thành list hoặc giữ nguyên List của bạn
        """
        Trích xuất văn bản từ ảnh và lọc rác.
        """
        import os
        import re

        if not os.path.exists(img_path):
            print(f"❌ Không tìm thấy file ảnh: {img_path}")
            return []

        try:
            # 1. Chạy OCR
            results = self.ocr.ocr(img_path, cls=True)
            
            raw_texts = []
            
            # 2. Bóc tách dữ liệu từ mảng lồng nhau của PaddleOCR
            # Kết quả cho 1 ảnh thường nằm ở results[0]
            if results and results[0] is not None:
                for line in results[0]:
                    # Cấu trúc mỗi line: [[tọa_độ_4_góc], ('Văn bản', độ_tự_tin)]
                    # Phần chữ nằm ở phần tử thứ 2 của tuple -> line[1][0]
                    text = line[1][0]
                    raw_texts.append(str(text))

            # 3. Dọn dẹp văn bản (Phần logic cực kỳ tốt của bạn giữ nguyên)
            clean_texts = []
            for text in raw_texts:
                text = text.strip()
                if not text: continue
                
                # Giữ lại các ký hiệu tiền tệ
                if text.lower() in ['k', 'đ', 'd', '$', 'vnd', 'xu']:
                    clean_texts.append(text)
                    continue

                # Bỏ qua chuỗi quá ngắn không có số
                if len(text) < 2 and not re.search(r'\d', text):
                    continue
                # Bỏ qua chuỗi không có ký tự alphabet/số nào (rác hoàn toàn)
                if not re.search(r'[a-zA-Z0-9àáạảãâầấậẩẫăằắặẳẵèéẹẻẽêềếệểễìíịỉĩòóọỏõôồốộổỗơờớợởỡùúụủũưừứựửữỳýỵỷỹđ]', text):
                    continue

                clean_texts.append(text)

            return clean_texts

        except Exception as e:
            print(f"❌ Lỗi OCR Service: {e}")
            import traceback
            traceback.print_exc()
            return []

        

 #--- TEST CODE ---

#if __name__ == "__main__":
 #   service = OCRService()
  #  test_path = r"static/debug/bunbohue.png" 
  #  print(f" Đang đọc: {test_path}")
  #  texts = service.extract_text(test_path)
  #  
  #  print("-" * 30)
  #  print(f" KẾT QUẢ ({len(texts)} dòng):")
  #  for t in texts:
  #      print(f"  - {t}") ##