Tesseract'ı API olarak çalıştırın
veya kendi barındırdığınız servis olarak.

pip install fastapi uvicorn python-multipart pytesseract pillow
# önce motoru + dil paketlerini kurun (kurulum kılavuzuna bakın)
uvicorn app:app --host 0.0.0.0 --port 8000

Sonra çağırın: curl -F "file=@fatura.png" "http://localhost:8000/ocr?lang=tur". Tesseract'ın kendisi kurulum kılavuzuna göre kurulur.

Uç nokta başına birincil niyet bir tane. /ocr metin döndürmeye devam etsin; PDF'ler ve düzen verileri için ayrı uç noktalar ekleyin.

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", "tur"}

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("tur")):
    if lang not in LANGS:
        raise HTTPException(400, "Desteklenmeyen dil")
    data = await file.read()
    if len(data) > MAX_BYTES:
        raise HTTPException(413, "Dosya çok büyük")
    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 zaman aşımı")
    return {"text": text, "lang": lang}

Önemli noktalar: dilleri beyaz listeye alın, kod çözmeden önce bayt sınırı uygulayın, OCR'ı bir süreç havuzunda çalıştırın ve gerçek süreyi sınırlayın. Tam pytesseract API'si için Python kılavuzuna bakın.

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

İmajı küçük tutmak için yalnızca gereken dil paketlerini ekleyin. Kurulum kılavuzu Docker ve tessdata yerleşimini daha ayrıntılı ele alır.

• Süreç havuzu veya CLI alt süreçleri: Python'un GIL'i iş parçacığı havuzunun OCR'ı hızlandırmasını engeller. ProcessPoolExecutor veya bir tesseract alt süreç havuzu kullanın.
• Worker vs kopya: konteyner başına birkaç uvicorn worker çalıştırın ve yük dengeleyici arkasında kopyaları yatay ölçekleyin.
• Kuyruklar: ani yük veya uzun belgeler için yüklemeyi kabul edin, bir iş kimliği döndürün ve bir kuyruktan (Celery, RQ veya bir broker) işleyin.
• Geri basınç: kuyruğu sınırlayın ve doygunlukta gecikmenin patlamasına izin vermek yerine 429 ile reddedin.
• Kaynak sınırları: worker başına CPU/bellek sabitleyin ve kötü bir görselin bir kopyayı tıkamaması için OCR zaman aşımı belirleyin.

• Veri çıkışı yok: görseller ağınızda kalır — hukuki, tıbbi ve finansal belgeler için önemlidir.
• Girdiyi doğrulayın: yalnızca uzantıyı değil MIME türünü ve sihirli baytları kontrol edin; try/except içinde kod çözün.
• Kaynakları sınırlayın: maksimum yükleme boyutu, istek başına zaman aşımı ve sıkıştırma bombalarına karşı bellek tavanı.
• Kimlik doğrulayın: önüne bir API anahtarı veya ağ geçidi koyun; OCR uç noktalarını kötüye kullanmak pahalıdır.
• Meta verileri kaldırın: dosyaları saklıyorsanız EXIF'i kaldırın ve orijinalleri düzenli olarak silin.

• Konteyner çalışma zamanları: Cloud Run, AWS Lambda konteyner imajları ve Fly.io, sunucu yönetmeden bir Tesseract imajı çalıştırır.
• Soğuk başlangıçlar: dil paketleri içeren bir Tesseract imajı büyüktür, bu yüzden soğuk başlangıçlar yavaştır — gecikmeye duyarlı trafik için bir örneği sıcak tutun.
• Sınırlar: belleği ve zaman aşımını artırın; küçük varsayılan zaman aşımı büyük belgeleri sonlandırır.
• Geçici disk: geçici dosyaları yalnızca /tmp'ye yazın; dosya sistemini tek kullanımlık sayın.

Birçok ekip yüksek hacimli, gizliliğe duyarlı işler için Tesseract'ı kendi barındırır ve yalnızca zor belgelerin azınlığı için yönetilen bir API'ye başvurur.