refactor(docs): consolidate and cleanup documentation
- Delete 9 deprecated/obsolete docs (~6,300 lines removed) - Move test PDFs to tests/fixtures/ocr-samples/ - Create docs/DEPLOYMENT.md as principal guide - Create tests/ocr-validation/README.md - Update all refs for ultrathin monolith architecture - Update OCR tests to use relative paths Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
This commit is contained in:
Claude Agent
158
tests/ocr-validation/README.md
Normal file
158
tests/ocr-validation/README.md
Normal file
@@ -0,0 +1,158 @@
|
||||
# OCR Validation Tests
|
||||
|
||||
Teste pentru validarea acurateții extragerii OCR din bonuri fiscale.
|
||||
|
||||
---
|
||||
|
||||
## Prerequisites
|
||||
|
||||
1. **Backend-ul trebuie să ruleze** pe `http://localhost:8000`
|
||||
2. **Modulul Data Entry activat** în `.env`: `MODULE_DATA_ENTRY_ENABLED=true`
|
||||
3. **JWT_SECRET_KEY** setat (sau folosește default-ul de test)
|
||||
|
||||
```bash
|
||||
# Pornește backend-ul
|
||||
cd /workspace/roa2web
|
||||
./start-prod.sh
|
||||
# sau
|
||||
./start-test.sh
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Test Files
|
||||
|
||||
| Fișier | Scop |
|
||||
|--------|------|
|
||||
| `expected_receipts.json` | Expected values pentru fiecare bon (ground truth) |
|
||||
| `ocr-direct-validation.py` | Test individual cu comparare detaliată |
|
||||
| `test_receipts_sequential.py` | Rulează toate bonurile secvențial |
|
||||
| `test_receipts_parallel.py` | Rulează toate bonurile în paralel (performance test) |
|
||||
| `test_receipts_parallel_windows.py` | Versiune Windows cu memory tracking |
|
||||
| `get_raw_ocr_text.py` | Debug tool - afișează raw OCR text |
|
||||
|
||||
**Fixtures:** `tests/fixtures/ocr-samples/` - 30 PDF-uri de bonuri fiscale
|
||||
|
||||
---
|
||||
|
||||
## Cum să rulezi testele
|
||||
|
||||
### 1. Test Individual (Recomandat pentru debug)
|
||||
|
||||
```bash
|
||||
cd /workspace/roa2web
|
||||
|
||||
# Test toate bonurile cu engine doctr_plus
|
||||
python tests/ocr-validation/ocr-direct-validation.py
|
||||
|
||||
# Test cu engine specific
|
||||
python tests/ocr-validation/ocr-direct-validation.py --engine doctr_plus
|
||||
python tests/ocr-validation/ocr-direct-validation.py --engine tesseract
|
||||
|
||||
# Test doar un bon specific
|
||||
python tests/ocr-validation/ocr-direct-validation.py --receipt receipt_01
|
||||
|
||||
# Include și bonuri multi-page
|
||||
python tests/ocr-validation/ocr-direct-validation.py --include-multipage
|
||||
```
|
||||
|
||||
### 2. Test Secvențial (Toate bonurile, unul câte unul)
|
||||
|
||||
```bash
|
||||
python tests/ocr-validation/test_receipts_sequential.py
|
||||
```
|
||||
|
||||
Output:
|
||||
```
|
||||
Processing: abonament kineterra.pdf
|
||||
✓ Total: MATCH (1900.0 = 1900.0)
|
||||
✓ Date: MATCH (2025-11-10)
|
||||
✗ CUI: MISMATCH (expected: 31180432, got: 3118043)
|
||||
```
|
||||
|
||||
### 3. Test Paralel (Performance benchmark)
|
||||
|
||||
```bash
|
||||
python tests/ocr-validation/test_receipts_parallel.py
|
||||
```
|
||||
|
||||
Output:
|
||||
```
|
||||
PARALLEL TEST: 26 receipts
|
||||
Phase 1: Submitting all jobs...
|
||||
Submitted 26 jobs in 2.3s
|
||||
Phase 2: Waiting for results...
|
||||
OK: abonament kineterra.pdf 12.3s conf=95%
|
||||
OK: benzina 14 august.pdf 8.7s conf=92%
|
||||
TOTAL TIME: 45.2s
|
||||
```
|
||||
|
||||
### 4. Debug Raw OCR Text
|
||||
|
||||
```bash
|
||||
# Vezi textul raw extras de OCR
|
||||
python tests/ocr-validation/get_raw_ocr_text.py
|
||||
|
||||
# Sau pentru un fișier specific
|
||||
python tests/ocr-validation/get_raw_ocr_text.py tests/fixtures/ocr-samples/benzina\ 14\ august.pdf
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Expected Receipts Format
|
||||
|
||||
`expected_receipts.json` conține ground truth pentru fiecare bon:
|
||||
|
||||
```json
|
||||
{
|
||||
"receipts": [
|
||||
{
|
||||
"id": "receipt_01",
|
||||
"filename": "abonament kineterra.pdf",
|
||||
"furnizor": "KINETERRA CONCEPT SRL",
|
||||
"cui_furnizor": "31180432",
|
||||
"total": 1900.0,
|
||||
"tva_details": [],
|
||||
"total_tva": 0.0,
|
||||
"data_bon": "2025-11-10",
|
||||
"notes": "Neplatitor TVA - abonament terapie"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Adaugă bonuri noi pentru testare
|
||||
|
||||
1. Pune PDF-ul în `tests/fixtures/ocr-samples/`
|
||||
2. Adaugă entry în `expected_receipts.json` cu valorile corecte
|
||||
3. Rulează testul:
|
||||
```bash
|
||||
python tests/ocr-validation/ocr-direct-validation.py --receipt receipt_XX
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Troubleshooting
|
||||
|
||||
### "Connection refused" sau "Failed to connect"
|
||||
- Backend-ul nu rulează. Pornește cu `./start-prod.sh`
|
||||
|
||||
### "401 Unauthorized"
|
||||
- JWT token invalid. Verifică `JWT_SECRET_KEY` în `.env`
|
||||
|
||||
### "File not found"
|
||||
- Verifică că PDF-urile sunt în `tests/fixtures/ocr-samples/`
|
||||
|
||||
### Rezultate incorecte
|
||||
- Folosește `get_raw_ocr_text.py` pentru a vedea ce text extrage OCR
|
||||
- Verifică dacă bonul e lizibil și de calitate bună
|
||||
|
||||
---
|
||||
|
||||
## Performance Notes
|
||||
|
||||
- **doctr_plus** engine: ~8-15 secunde per bon (GPU accelerated)
|
||||
- **tesseract** engine: ~3-5 secunde per bon (CPU only)
|
||||
- Testul paralel poate procesa ~26 bonuri în ~45 secunde (vs ~5 minute secvențial)
|
||||
Reference in New Issue
Block a user