Update app.py

app.py

@@ -1,103 +1,102 @@
 import gradio as gr
-from PIL import Image
 import cv2
-import pytesseract
 import numpy as np
+from PIL import Image
+from paddleocr import PaddleOCR
 
-# 🔴 IMPORTANT : chemin ABSOLU vers tesseract (HF Docker)
-pytesseract.pytesseract.tesseract_cmd = "/usr/bin/tesseract"
+# Initialisation OCR (CPU, stable HF)
+ocr = PaddleOCR(
+    use_angle_cls=True,
+    lang="en",
+    use_gpu=False
+)
 
 
 def extract_descriptions(image: Image.Image):
-    """
-    Extrait uniquement le contenu de la colonne 'Description'
-    depuis une image de facture (tableau).
-    """
     if image is None:
         return "Aucune image fournie."
 
-    # Conversion PIL -> OpenCV
     img = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
 
-    # OCR avec positions
-    data = pytesseract.image_to_data(
-        img,
-        output_type=pytesseract.Output.DICT,
-        config="--psm 6"
-    )
+    # OCR Paddle
+    result = ocr.ocr(img, cls=True)
 
     words = []
-    for i in range(len(data["text"])):
-        txt = data["text"][i].strip()
-        if txt:
-            words.append({
-                "text": txt,
-                "x": data["left"][i],
-                "y": data["top"][i],
-                "w": data["width"][i],
-                "h": data["height"][i]
-            })
-
-    # 1️⃣ Détection de l'en-tête "Description"
+    for line in result[0]:
+        box, (text, score) = line
+        if score < 0.5:
+            continue
+
+        x_coords = [p[0] for p in box]
+        y_coords = [p[1] for p in box]
+
+        words.append({
+            "text": text.strip(),
+            "x": min(x_coords),
+            "y": min(y_coords),
+            "w": max(x_coords) - min(x_coords),
+            "h": max(y_coords) - min(y_coords)
+        })
+
+    # 1️⃣ Détecter l'en-tête "Description"
     header = next(
-        (w for w in words if w["text"].lower() == "description"),
+        (w for w in words if "description" in w["text"].lower()),
         None
     )
 
     if header is None:
         return "❌ Colonne 'Description' non détectée."
 
-    # 2️⃣ Définition de la zone de la colonne Description
-    x_min = header["x"] - 10
-    x_max = header["x"] + header["w"] + 350
+    # 2️⃣ Définir la zone de la colonne
+    x_min = header["x"] - 15
+    x_max = header["x"] + header["w"] + 380
     y_min = header["y"] + header["h"] + 10
 
-    # 3️⃣ Filtrage des mots dans cette colonne
     column_words = [
         w for w in words
         if x_min <= w["x"] <= x_max and w["y"] > y_min
     ]
 
-    # 4️⃣ Regroupement par lignes (Y proche)
+    # 3️⃣ Grouper par lignes
     lines = {}
     for w in column_words:
-        key = w["y"] // 15
+        key = int(w["y"] // 18)
         lines.setdefault(key, []).append(w)
 
-    extracted_lines = []
-    for key in sorted(lines.keys()):
-        line_words = sorted(lines[key], key=lambda x: x["x"])
-        line_text = " ".join(w["text"] for w in line_words)
+    raw_lines = []
+    for k in sorted(lines):
+        line = " ".join(
+            w["text"] for w in sorted(lines[k], key=lambda x: x["x"])
+        )
 
-        # Filtrage des éléments non désirés
-        if any(k in line_text.lower() for k in ["vat", "gross", "net", "each"]):
+        # Filtrage facture
+        low = line.lower()
+        if any(x in low for x in ["vat", "gross", "net", "total", "each"]):
             continue
-        if line_text.replace(".", "").replace(",", "").isdigit():
+        if line.replace(".", "").replace(",", "").isdigit():
             continue
 
-        extracted_lines.append(line_text)
+        raw_lines.append(line)
 
-    # 5️⃣ Fusion des cellules multilignes
-    final_descriptions = []
+    # 4️⃣ Fusion cellules multilignes
+    final = []
     buffer = ""
 
-    for line in extracted_lines:
-        # Détection de début de nouvelle ligne de cellule (ex: "1.")
+    for line in raw_lines:
         if line[:2].replace(".", "").isdigit():
             if buffer:
-                final_descriptions.append(buffer.strip())
+                final.append(buffer.strip())
             buffer = line.split(".", 1)[-1].strip()
         else:
             buffer += " " + line
 
     if buffer:
-        final_descriptions.append(buffer.strip())
+        final.append(buffer.strip())
 
-    # Résultat final
-    if not final_descriptions:
-        return "⚠️ Aucun contenu détecté dans la colonne Description."
+    if not final:
+        return "⚠️ Aucun texte extrait."
 
-    return "\n".join(final_descriptions)
+    return "\n".join(final)
 
 
 # =========================
@@ -108,11 +107,10 @@ demo = gr.Interface(
     fn=extract_descriptions,
     inputs=gr.Image(type="pil", label="Image de facture"),
     outputs=gr.Textbox(lines=20, label="Descriptions extraites"),
-    title="Extraction de la colonne Description (Factures)",
+    title="Extraction colonne Description – PaddleOCR",
     description=(
-        "Charge une image de facture contenant un tableau "
-        "et récupère uniquement le contenu de la colonne 'Description', "
-        "cellule par cellule."
+        "OCR robuste basé sur PaddleOCR. "
+        "Extraction automatique des cellules de la colonne Description."
     )
 )