app.py

from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.responses import JSONResponse
from paddleocr import PaddleOCR
import numpy as np
from PIL import Image
import fitz  # PyMuPDF
import io
import os

app = FastAPI(title="OCR API", description="API d'extraction de texte pour PDF et images")

# Initialiser PaddleOCR (français et anglais)
ocr_fr = PaddleOCR(use_angle_cls=True, lang='fr')
ocr_en = PaddleOCR(use_angle_cls=True, lang='en')

def extract_text_from_image(image_bytes, lang='fr'):
    """Extrait le texte d'une image"""
    try:
        image = Image.open(io.BytesIO(image_bytes))
        image_np = np.array(image)

        # Choisir le bon modèle OCR
        ocr = ocr_fr if lang == 'fr' else ocr_en
        result = ocr.ocr(image_np)

        if result is None or len(result) == 0 or result[0] is None:
            return ""

        # Extraire uniquement le texte
        text_lines = [line[1][0] for line in result[0]]
        return "\n".join(text_lines)

    except Exception as e:
        raise HTTPException(status_code=500, detail=f"Erreur OCR image: {str(e)}")

def extract_text_from_pdf(pdf_bytes, lang='fr'):
    """Extrait le texte d'un PDF"""
    try:
        doc = fitz.open(stream=pdf_bytes, filetype="pdf")
        all_text = []

        for page_num in range(len(doc)):
            page = doc[page_num]

            # Essayer d'extraire le texte natif
            text = page.get_text()

            if text.strip():
                all_text.append(text)
            else:
                # OCR sur l'image de la page
                pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))
                img_bytes = pix.tobytes("png")
                ocr_text = extract_text_from_image(img_bytes, lang)
                all_text.append(ocr_text)

        doc.close()
        return "\n\n".join(all_text)

    except Exception as e:
        raise HTTPException(status_code=500, detail=f"Erreur lecture PDF: {str(e)}")

@app.get("/")
async def root():
    return {
        "message": "OCR API - Envoyez vos fichiers à /extract",
        "supported_formats": ["pdf", "jpg", "jpeg", "png", "bmp", "tiff", "webp"],
        "languages": ["fr", "en"]
    }

@app.post("/extract")
async def extract_text(
    file: UploadFile = File(...),
    lang: str = "fr"
):
    """
    Extrait le texte d'un fichier (PDF ou image)

    - **file**: Fichier à traiter (PDF, JPG, PNG, etc.)
    - **lang**: Langue (fr ou en, défaut: fr)
    """

    # Vérifier la langue
    if lang not in ['fr', 'en']:
        raise HTTPException(status_code=400, detail="Langue non supportée. Utilisez 'fr' ou 'en'")

    # Lire le fichier
    file_bytes = await file.read()
    file_extension = file.filename.lower().split('.')[-1]

    # Traiter selon le type
    if file_extension == 'pdf':
        text = extract_text_from_pdf(file_bytes, lang)
    elif file_extension in ['jpg', 'jpeg', 'png', 'bmp', 'tiff', 'webp']:
        text = extract_text_from_image(file_bytes, lang)
    else:
        raise HTTPException(
            status_code=400,
            detail=f"Format non supporté: {file_extension}"
        )

    return JSONResponse(content={"text": text})

@app.get("/health")
async def health():
    return {"status": "ok"}