Jalankan Tesseract sebagai API
atau layanan yang dihosting sendiri.

pip install fastapi uvicorn python-multipart pytesseract pillow
# pasang dulu mesin + paket bahasa (lihat panduan instalasi)
uvicorn app:app --host 0.0.0.0 --port 8000

Lalu panggil: curl -F "file=@faktur.png" "http://localhost:8000/ocr?lang=ind". Tesseract sendiri dipasang sesuai panduan instalasi.

Satu niat utama per endpoint. Biarkan /ocr mengembalikan teks dan tambahkan endpoint terpisah untuk PDF dan data tata letak alih-alih membebani satu respons.

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", "ind"}

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("ind")):
    if lang not in LANGS:
        raise HTTPException(400, "Bahasa tidak didukung")
    data = await file.read()
    if len(data) > MAX_BYTES:
        raise HTTPException(413, "File terlalu besar")
    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 melebihi batas waktu")
    return {"text": text, "lang": lang}

Poin penting: daftar putih bahasa, terapkan batas byte sebelum mendekode, jalankan OCR di process pool, dan batasi waktu nyata. Lihat panduan Python untuk API pytesseract lengkap.

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

Tambahkan hanya paket bahasa yang diperlukan agar image tetap kecil. Panduan instalasi membahas Docker dan penempatan tessdata lebih mendalam.

• Process pool atau subproses CLI: GIL Python membuat thread pool tidak mempercepat OCR. Gunakan ProcessPoolExecutor atau kumpulan subproses tesseract.
• Worker vs replika: jalankan beberapa worker uvicorn per kontainer dan skalakan replika secara horizontal di belakang load balancer.
• Antrean: untuk lonjakan atau dokumen panjang, terima unggahan, kembalikan ID pekerjaan, dan proses dari antrean (Celery, RQ, atau broker).
• Backpressure: batasi antrean dan tolak dengan 429 saat jenuh daripada membiarkan latensi melonjak.
• Batas sumber daya: tetapkan CPU/memori per worker dan setel timeout OCR agar satu gambar buruk tidak memblokir replika.

• Tidak ada data keluar: gambar tetap di dalam jaringan Anda — penting untuk dokumen hukum, medis, dan keuangan.
• Validasi input: periksa tipe MIME dan magic byte, bukan hanya ekstensi; dekode dalam try/except.
• Batasi sumber daya: ukuran unggahan maksimum, timeout per permintaan, dan batas memori terhadap bom dekompresi.
• Autentikasi: letakkan kunci API atau gateway di depan; endpoint OCR mahal untuk disalahgunakan.
• Hapus metadata: jika menyimpan file, hapus EXIF dan hapus aslinya secara berkala.

• Runtime kontainer: Cloud Run, image kontainer AWS Lambda, dan Fly.io menjalankan image Tesseract tanpa mengelola server.
• Cold start: image Tesseract dengan paket bahasa berukuran besar, jadi cold start lambat — jaga satu instance tetap hangat untuk lalu lintas yang sensitif terhadap latensi.
• Batas: naikkan memori dan timeout; timeout default yang kecil akan menghentikan dokumen besar.
• Disk sementara: tulis file sementara hanya ke /tmp; perlakukan filesystem sebagai sekali pakai.

Banyak tim melakukan self-host Tesseract untuk pekerjaan bervolume tinggi dan sensitif privasi, dan beralih ke API terkelola hanya untuk minoritas dokumen yang sulit.