Ejecuta Tesseract como API
o servicio autoalojado.

pip install fastapi uvicorn python-multipart pytesseract pillow
# instala primero el motor + los paquetes de idioma (ver la guía de instalación)
uvicorn app:app --host 0.0.0.0 --port 8000

Luego llámalo: curl -F "file=@factura.png" "http://localhost:8000/ocr?lang=spa". Tesseract se instala según la guía de instalación.

Una intención principal por endpoint. Mantén /ocr devolviendo texto y añade endpoints separados para PDFs y datos de diseño en lugar de sobrecargar una respuesta.

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("spa")):
    if lang not in LANGS:
        raise HTTPException(400, "Idioma no soportado")
    data = await file.read()
    if len(data) > MAX_BYTES:
        raise HTTPException(413, "Archivo demasiado grande")
    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, "El OCR agotó el tiempo")
    return {"text": text, "lang": lang}

Detalles clave: lista blanca de idiomas, aplica un límite de bytes antes de decodificar, ejecuta el OCR en un pool de procesos y limita el tiempo de reloj. Consulta la guía de Python para la API completa de pytesseract.

FROM python:3.12-slim
RUN apt-get update && apt-get install -y --no-install-recommends \
      tesseract-ocr tesseract-ocr-eng tesseract-ocr-spa \
      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"]

Añade solo los paquetes de idioma que necesites para mantener la imagen pequeña. La guía de instalación cubre Docker y la ubicación de tessdata con más detalle.

• Pool de procesos o subprocesos de la CLI: el GIL de Python hace que un pool de hilos no acelere el OCR. Usa ProcessPoolExecutor o un pool de subprocesos de tesseract.
• Workers vs réplicas: ejecuta unos pocos workers de uvicorn por contenedor y escala réplicas horizontalmente tras un balanceador.
• Colas: para ráfagas o documentos largos, acepta la subida, devuelve un ID de trabajo y procesa desde una cola (Celery, RQ o un bróker).
• Contrapresión: limita la cola y rechaza con 429 cuando esté saturada en lugar de dejar que la latencia se dispare.
• Límites de recursos: fija CPU/memoria por worker y establece un tiempo de espera de OCR para que una imagen mala no bloquee una réplica.

• Sin salida de datos: las imágenes permanecen dentro de tu red, importante para documentos legales, médicos y financieros.
• Valida la entrada: comprueba el tipo MIME y los bytes mágicos, no solo la extensión; decodifica en un try/except.
• Limita los recursos: tamaño máximo de subida, tiempo de espera por petición y un techo de memoria para resistir bombas de descompresión.
• Autentica: pon una clave de API o una puerta de enlace delante; los endpoints de OCR son caros de abusar.
• Elimina metadatos: si persistes archivos, quita el EXIF y borra los originales según un calendario.

• Runtimes de contenedores: Cloud Run, imágenes de contenedor de AWS Lambda y Fly.io ejecutan una imagen de Tesseract sin gestionar servidores.
• Arranques en frío: una imagen de Tesseract con paquetes de idioma es grande, así que los arranques en frío son lentos; mantén una instancia caliente para tráfico sensible a la latencia.
• Límites: sube la memoria y el tiempo de espera; un tiempo de espera predeterminado pequeño matará documentos grandes.
• Disco efímero: escribe archivos temporales solo en /tmp; trata el sistema de archivos como desechable.

Muchos equipos autoalojan Tesseract para trabajos de gran volumen y sensibles a la privacidad y recurren a una API gestionada solo para la minoría difícil de documentos.