roa2web-service-auto/tests/ocr-validation/README.md

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)

# Pornește backend-ul
cd /workspace/roa2web
./start.sh prod
# sau
./start.sh test

---

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)

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)

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)

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

# 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:

{
  "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:

   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.sh prod

"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)