Tesseract als API betreiben
oder als selbst gehosteten Dienst.

pip install fastapi uvicorn python-multipart pytesseract pillow
# installieren Sie zuerst die Engine + Sprachpakete (siehe Installationsleitfaden)
uvicorn app:app --host 0.0.0.0 --port 8000

Dann aufrufen: curl -F "file=@rechnung.png" "http://localhost:8000/ocr?lang=deu". Tesseract wird gemäß dem Installationsleitfaden installiert.

Eine primäre Absicht pro Endpunkt. Belassen Sie /ocr bei Text und fügen Sie separate Endpunkte für PDFs und Layoutdaten hinzu, statt eine Antwort zu überladen.

import asyncio, io
from concurrent.futures import ProcessPoolExecutor
from fastapi import FastAPI, File, UploadFile, HTTPException, Query
from PIL import Image
import pytesseract

app = FastAPI(title="Tesseract OCR API")
pool = ProcessPoolExecutor(max_workers=4)
MAX_BYTES = 10 * 1024 * 1024  # 10 MB
LANGS = {"eng", "deu", "fra", "spa"}

def _ocr(data: bytes, lang: str) -> str:
    image = Image.open(io.BytesIO(data))
    return pytesseract.image_to_string(image, lang=lang)

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

@app.post("/ocr")
async def ocr(file: UploadFile = File(...), lang: str = Query("deu")):
    if lang not in LANGS:
        raise HTTPException(400, "Nicht unterstützte Sprache")
    data = await file.read()
    if len(data) > MAX_BYTES:
        raise HTTPException(413, "Datei zu groß")
    loop = asyncio.get_running_loop()
    try:
        text = await asyncio.wait_for(loop.run_in_executor(pool, _ocr, data, lang), timeout=30)
    except asyncio.TimeoutError:
        raise HTTPException(504, "OCR-Zeitüberschreitung")
    return {"text": text, "lang": lang}

Wichtige Details: Sprachen per Allow-List, Byte-Limit vor dem Dekodieren durchsetzen, OCR in einem Prozess-Pool ausführen und die Wanduhrzeit begrenzen. Siehe Python-Leitfaden für die vollständige pytesseract-API.

FROM python:3.12-slim
RUN apt-get update && apt-get install -y --no-install-recommends \
      tesseract-ocr tesseract-ocr-eng tesseract-ocr-deu \
      libgl1 libglib2.0-0 && rm -rf /var/lib/apt/lists/*
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY app.py .
EXPOSE 8000
HEALTHCHECK CMD python -c "import urllib.request;urllib.request.urlopen('http://localhost:8000/health')"
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000", "--workers", "2"]

Fügen Sie nur die benötigten Sprachpakete hinzu, um das Image klein zu halten. Der Installationsleitfaden behandelt Docker und die tessdata-Platzierung ausführlicher.

• Prozess-Pool oder CLI-Subprozesse: Der GIL von Python verhindert, dass ein Thread-Pool OCR beschleunigt. Verwenden Sie ProcessPoolExecutor oder einen Pool von tesseract-Subprozessen.
• Worker vs. Replikate: Führen Sie einige uvicorn-Worker pro Container aus und skalieren Sie Replikate horizontal hinter einem Load Balancer.
• Warteschlangen: Für Lastspitzen oder lange Dokumente den Upload annehmen, eine Job-ID zurückgeben und aus einer Queue verarbeiten (Celery, RQ oder ein Broker).
• Backpressure: Begrenzen Sie die Queue und lehnen Sie mit 429 ab, wenn sie gesättigt ist, statt die Latenz steigen zu lassen.
• Ressourcenlimits: CPU/Speicher pro Worker festlegen und ein OCR-Timeout setzen, damit ein schlechtes Bild kein Replikat blockiert.

• Kein Datenabfluss: Bilder bleiben in Ihrem Netzwerk — wichtig für rechtliche, medizinische und finanzielle Dokumente.
• Eingabe validieren: MIME-Typ und Magic Bytes prüfen, nicht nur die Endung; in try/except dekodieren.
• Ressourcen begrenzen: maximale Upload-Größe, Timeout pro Anfrage und eine Speicherobergrenze gegen Dekompressionsbomben.
• Authentifizieren: API-Schlüssel oder Gateway davor setzen; OCR-Endpunkte sind teuer im Missbrauch.
• Metadaten entfernen: Wenn Sie Dateien speichern, EXIF entfernen und Originale regelmäßig löschen.

• Container-Runtimes: Cloud Run, AWS-Lambda-Container-Images und Fly.io führen ein Tesseract-Image ohne Serververwaltung aus.
• Cold Starts: Ein Tesseract-Image mit Sprachpaketen ist groß, daher sind Cold Starts langsam — halten Sie eine Instanz für latenzempfindlichen Verkehr warm.
• Limits: Erhöhen Sie Speicher und Timeout; ein kleines Standard-Timeout beendet große Dokumente.
• Ephemerer Speicher: Schreiben Sie temporäre Dateien nur nach /tmp; behandeln Sie das Dateisystem als wegwerfbar.

Viele Teams hosten Tesseract für volumenstarke, datenschutzsensible Arbeit selbst und greifen nur für die schwierige Minderheit der Dokumente auf eine verwaltete API zurück.