ROMFASTSQL/proxmox/lxc171-claude-agent/maria-whatsapp-bridge/rag/ocr.py

#!/usr/bin/env python3
"""Citirea textului din capturile de ecran trimise pe WhatsApp (OCR cu tesseract).

De ce OCR si nu un model vizual: modelul de raspuns al Mariei (Qwen3.5-2B pe
llama.cpp, LXC 104) e strict text — nu accepta imagini. Utilizatorii insa trimit
aproape intotdeauna o captura cu fereastra de eroare, nu textul ei. Tesseract
(CPU, ~1-2 s pe o captura de ecran) transforma captura in text, iar restul
lantului ramane neschimbat: acelasi RAG, acelasi prompt.

Textul recunoscut e ZGOMOTOS. Doua consecinte tratate aici:
  - pentru CAUTAREA in index folosim doar liniile care arata a eroare
    (`retrieval_query`), nu toata fereastra: un ecran intreg de meniuri si
    coloane diluează embedding-ul si scoate chunk-uri fara legatura;
  - pentru PROMPT trimitem textul intreg, curatat si plafonat, marcat explicit ca
    provenit din OCR, ca modelul sa nu trateze greselile de recunoastere ca date
    exacte.
"""

from __future__ import annotations

import re
import shutil
import subprocess

import config

DEFAULT_LANGS = "ron+eng"
DEFAULT_MAX_CHARS = 1500
DEFAULT_TIMEOUT_S = 60

# Semne ca o linie e chiar mesajul de eroare, nu decor de interfata. Ordinea nu
# conteaza; o singura potrivire e de ajuns.
_ERROR_HINTS = re.compile(
    r"(ORA-\d+|PLS-\d+|TNS-\d+|SP2-\d+|IMP-\d+|EXP-\d+"
    r"|\b(?:eroare|erori|eronat)\b|\berror(?:s|ul)?\b|\bexception\b|\besuat\b|\bfailed\b|\binvalid\b"
    r"|\bnu se poate\b|\bnu exista\b|\bnu a fost\b|\bcod\s*[:=]?\s*-?\d+"
    r"|\bE\d{3,}\b|\bwarning\b|\batentie\b)",
    re.IGNORECASE,
)

# Linii care nu aduc nimic: prea scurte, sau numai simboluri/rame de fereastra.
_JUNK_LINE = re.compile(r"^[\W_]*$")


def available() -> bool:
    return shutil.which("tesseract") is not None


def clean(raw: str, max_chars: int | None = None) -> str:
    """Normalizeaza iesirea tesseract: fara linii goale, fara zgomot, plafonat."""
    if max_chars is None:
        max_chars = config.get_int("OCR_MAX_CHARS", DEFAULT_MAX_CHARS)
    lines: list[str] = []
    for raw_line in raw.splitlines():
        line = re.sub(r"[ \t ]+", " ", raw_line).strip()
        if not line or _JUNK_LINE.match(line):
            continue
        if len(line) < 2:
            continue
        if lines and lines[-1] == line:  # tesseract repeta uneori aceeasi linie
            continue
        lines.append(line)
    text = "\n".join(lines)
    if len(text) > max_chars:
        text = text[:max_chars].rstrip() + "\n[…text trunchiat]"
    return text


def error_lines(text: str, limit: int = 6) -> list[str]:
    """Liniile care arata a mesaj de eroare, in ordinea din imagine."""
    out: list[str] = []
    for line in text.splitlines():
        if _ERROR_HINTS.search(line) and line not in out:
            out.append(line)
        if len(out) >= limit:
            break
    return out


def retrieval_query(caption: str, ocr_text: str) -> str:
    """Ce se trimite la cautarea in index: legenda + liniile de eroare, sau tot.

    Cand nu se distinge nicio linie de eroare, cade inapoi pe primele linii ale
    capturii — mai bine o cautare aproximativa decat niciuna.
    """
    parts: list[str] = []
    if caption.strip():
        parts.append(caption.strip())
    errs = error_lines(ocr_text)
    if errs:
        parts.extend(errs)
    else:
        parts.extend(ocr_text.splitlines()[:8])
    return "\n".join(p for p in parts if p.strip()).strip()


def run(image_path: str, langs: str | None = None) -> str:
    """Textul curatat dintr-o imagine. Ridica RuntimeError daca tesseract lipseste/cade."""
    if not available():
        raise RuntimeError("tesseract nu e instalat (apt-get install tesseract-ocr tesseract-ocr-ron)")
    langs = langs or config.get("OCR_LANGS", DEFAULT_LANGS)
    timeout = config.get_int("OCR_TIMEOUT_S", DEFAULT_TIMEOUT_S)
    try:
        proc = subprocess.run(
            ["tesseract", image_path, "stdout", "-l", langs],
            capture_output=True, text=True, timeout=timeout, check=False,
        )
    except subprocess.TimeoutExpired as exc:
        raise RuntimeError(f"OCR a depasit {timeout}s") from exc
    if proc.returncode != 0:
        raise RuntimeError((proc.stderr or "tesseract a esuat").strip().splitlines()[-1])
    return clean(proc.stdout)