OCR Platform — Extracción inteligente de documentos PDF

Descripción del proyecto

OCR Platform es un sistema production-ready para la extracción de texto, tablas y datos estructurados desde documentos PDF, utilizando Google Gemini 2.5 Flash como motor de inteligencia artificial. Incluye un pipeline RAG (Retrieval-Augmented Generation) que permite hacer preguntas en lenguaje natural sobre el contenido de los documentos procesados mediante una interfaz de chat.

El sistema está completamente orquestado con Docker Compose (5 servicios), implementa autenticación JWT, procesamiento asíncrono con Celery, y búsqueda híbrida vectorial + full-text con pgvector.

---

Características principales

• OCR con IA — Extrae texto, tablas y campos clave-valor de PDFs usando Gemini 2.5 Flash
• Preprocesamiento de imágenes — Corrección automática de inclinación (deskew) y eliminación de ruido (denoise) con OpenCV
• Procesamiento paralelo — Múltiples páginas se procesan concurrentemente vía ThreadPoolExecutor
• Procesamiento asíncrono — PDFs se procesan en segundo plano con Celery + Redis
• RAG con búsqueda híbrida — Chunking semántico, embeddings vectoriales (pgvector) y full-text search con re-ranking RRF
• Chat sobre documentos — Interfaz de chat para hacer preguntas sobre el contenido de cualquier documento procesado
• Descarga de resultados — Exporta texto plano o JSON estructurado desde la interfaz
• Autenticación — Registro e inicio de sesión con bcrypt + JWT (HS256). Todas las rutas protegidas por token Bearer
• Dark mode — Tema oscuro/claro con toggle manual y detección automática del sistema (next-themes)

---

Tech Stack

Backend

Tecnología	Rol
FastAPI	Framework API REST
SQLAlchemy	ORM y modelos de datos
Alembic	Migraciones de base de datos
PostgreSQL 15 + pgvector	Base de datos relacional + búsqueda vectorial
Redis 7	Message broker para Celery
Celery	Cola de tareas asíncronas
Google Gemini 2.5 Flash	Motor OCR y modelo de chat
Gemini Embedding 001	Embeddings para búsqueda semántica
OpenCV	Preprocesamiento de imágenes
pdf2image + Poppler	Conversión PDF → imágenes
bcrypt	Hash seguro de contraseñas
PyJWT	Generación y validación de tokens JWT

Frontend

Tecnología	Rol
Next.js 16	Framework React con App Router
React 19	Librería de UI
TypeScript 5	Tipado estático
Tailwind CSS 4	Estilos utilitarios
TanStack React Query	Estado del servidor y caching
Axios	Cliente HTTP
shadcn/ui	Componentes de UI
react-dropzone	Subida de archivos drag & drop
sonner	Notificaciones toast
lucide-react	Iconografía
next-themes	Tema oscuro/claro del sistema

---

Arquitectura

Servicios Docker

Backend — Layered Architecture

• Routes — Controladores delgados: validan input, delegan a services/repositories, retornan esquemas Pydantic
• Services — Lógica de negocio: UploadService, PDFService, GeminiOCRService, RagService, AuthService
• Repositories — Acceso a datos: DocumentRepository, ChunkRepository, UserRepository (SQLAlchemy ORM)
• Models — Entidades: Document, DocumentChunk, User
• Dependencies — get_current_user() extrae y valida JWT del header Authorization: Bearer

Frontend — Component Architecture

• Pages — App Router: landing, dashboard, results/[id], chat/[id], login, register
• Components — Organizados por feature: upload/, results/, documents/, ProtectedRoute
• Hooks — Encapsulan toda la comunicación con el servidor (TanStack Query) + useAuth (contexto de sesión)
• Services — Cliente Axios centralizado con interceptor de token Bearer
• Types — Interfaces TypeScript que reflejan los esquemas del backend

---

Principios SOLID aplicados

Principio	Implementación
SRP	Cada servicio tiene una única responsabilidad: PDFService (preprocesamiento), GeminiOCRService (OCR), UploadService (flujo de subida), RagService (búsqueda y chat)
OCP	OCRService(ABC) permite agregar nuevos providers sin modificar los existentes. ResultViewer acepta prop renderers para intercambiar renderizadores
LSP	GeminiOCRService extiende OCRService cumpliendo el contrato process_image()
ISP	Interfaces pequeñas y enfocadas — un hook por operación de datos
DIP	Configuración centralizada vía pydantic BaseSettings, repositorios inyectados vía constructor

---

API Endpoints

Autenticación (públicos)

Método	Endpoint	Descripción
GET	/health	Health check
POST	/api/auth/register	Registrar usuario
POST	/api/auth/login	Iniciar sesión

Recursos protegidos (Authorization: Bearer <token>)

Método	Endpoint	Descripción
GET	/api/auth/me	Perfil del usuario autenticado
POST	/api/upload	Subir PDF (multipart/form-data)
POST	/api/process/{id}	Reprocesar documento vía Celery
GET	/api/results/{id}	Obtener documento con resultados OCR
GET	/api/documents	Listar documentos del usuario
POST	/api/rag/{id}	Indexar documento para búsqueda RAG
POST	/api/chat/{id}	Hacer pregunta sobre documento indexado

---

Formato de respuesta OCR

{
  "texto": "Texto completo extraído del documento...",
  "tablas": [
    {
      "headers": ["Columna 1", "Columna 2"],
      "rows": [["valor 1", "valor 2"]]
    }
  ],
  "campos": {
    "fecha": "07/03/2026",
    "monto_total": "$15,000.00",
    "numero_factura": "FAC-001"
  }
}

---

Despliegue

El sistema se despliega completamente con Docker Compose, creando 5 contenedores en la red ocr-network:

Servicio	Puerto	Descripción
frontend	3000	Interfaz web Next.js
backend	8000	API REST FastAPI
db	5432	PostgreSQL 15 + pgvector
redis	6379	Redis 7 (broker Celery)
celery	—	Worker para procesamiento asíncrono

---

Repositorio

🔗 github.com/Vic-Lara-Gilles/Ocr-Next.js

Lenguajes: TypeScript 49.8% · Python 44.6% · CSS 3.8%