🔍 PDF OCR Processor

Trasforma qualsiasi PDF in un documento ricercabile e ottimizzato per sistemi automatici

⚡ Quick Start

git clone <repository>
cd pdf-ocr-processor
make setup build
cp your-document.pdf input/
make start-api

Boom! Il tuo PDF è ora ricercabile e ottimizzato.

🎯 Cosa Fa

• 🤖 Analisi Intelligente: Rileva automaticamente se serve OCR o solo ottimizzazione
• 📄 OCR Avanzato: Tesseract ottimizzato per italiano/inglese con preprocessing
• ⚡ Container Distruttibili: Ogni elaborazione è isolata e si pulisce da sola
• 🔌 API REST: Integrazione immediata con qualsiasi sistema
• 📦 Batch Processing: Elabora centinaia di file automaticamente
• 📊 Monitoraggio: Tracciamento completo delle operazioni

🚀 Utilizzo

Singolo File

# Elaborazione semplice
docker run --rm -v $(pwd)/input:/app/input -v $(pwd)/output:/app/output pdf-ocr-processor documento.pdf

# Via API
curl -X POST -F "file=@documento.pdf" http://localhost:5000/process > output.pdf

Batch Processing

cp *.pdf batch_input/
make batch

Monitoraggio

make monitor    # Real-time monitoring
make metrics    # Usage statistics

🛠️ Requisiti

• Docker & Docker Compose
• 2GB RAM minimo
• Spazio disco per file temporanei

📋 Comandi Principali

make build          # Costruisce immagini Docker
make start-api      # Avvia API REST
make test-api       # Test funzionalità
make batch          # Elaborazione batch
make monitor        # Monitoraggio real-time
make clean          # Pulizia completa

🔧 Caratteristiche Tecniche

Input: PDF scansionati, nativi, corrotti
Output: PDF ricercabili, ottimizzati, compressi
Lingue: Italiano, Inglese (espandibile)
Formati: Mantiene layout originale
Performance: ~30s per pagina A4 a 300 DPI

🎛️ Modalità Operative

Modalità	Uso	Comando
Sync	File singoli	curl -X POST -F "file=@doc.pdf" /process
Async	File grandi	curl -X POST -F "file=@doc.pdf" -F "async=true" /process
Batch	Volumi elevati	make batch
Monitor	Produzione	make start-all

🔗 Integrazione Sistemi

Webhook Support: Notifiche automatiche
REST API: Integrazione universale
Health Checks: Monitoring esterno
Metrics: Prometheus-ready

🏗️ Architettura

┌─────────────┐    ┌──────────────┐    ┌─────────────┐
│   API REST  │────│  OCR Engine  │────│  PDF Output │
│   (Flask)   │    │ (Tesseract)  │    │ (Optimized) │
└─────────────┘    └──────────────┘    └─────────────┘
       │                   │                   │
   ┌───────┐         ┌──────────┐        ┌──────────┐
   │ Queue │         │ PreProc  │        │ PostProc │
   │ Mgmt  │         │ Images   │        │ Compress │
   └───────┘         └──────────┘        └──────────┘

🔒 Sicurezza

• Container isolati senza privilegi elevati
• Pulizia automatica file temporanei
• Limiti risorse configurabili
• Nessuna persistenza dati sensibili

📈 Scalabilità

Orizzontale: Multiple istanze API
Verticale: Resource limits configurabili
Load Balancing: Nginx incluso
Auto-scaling: Kubernetes-ready

🎯 Casi d'Uso

✅ Digitalizzazione archivi: Trasforma scansioni in documenti ricercabili
✅ Pipeline automatiche: Integra in workflow esistenti
✅ Compliance: Rende accessibili documenti legacy
✅ Search systems: Abilita ricerca full-text
✅ Data extraction: Prepara per NLP/AI

🆘 Troubleshooting

make logs           # Verifica log errori
make test-health    # Test stato servizi  
make clean setup    # Reset completo

Errori comuni:

• File non trovato → Verifica mount volumes
• Memory limit → Aumenta limiti Docker
• OCR fallito → Controlla qualità immagini

🤝 Contributi

Fork → Branch → Commit → Pull Request

Aree di sviluppo:

• Nuove lingue OCR
• Algoritmi preprocessing
• Ottimizzazioni performance
• Integrazione cloud providers

---

🎉 Trasforma i tuoi PDF in documenti intelligenti in pochi minuti!

Made with ❤️ for automation systems