OCR на VPS: распознавание текста с изображений

OCR превращает сканы, фото документов и картинки в редактируемый текст. На своем VPS ты обрабатываешь архивы документов пачками, распознаешь русский и не платишь за каждую страницу облачным сервисам.

Где нужен свой OCR

OCR (оптическое распознавание символов) полезен везде, где текст заперт в картинке: сканы договоров и книг, фото чеков и счетов, скриншоты, старые PDF без текстового слоя. Локальный OCR на VPS обрабатывает такие архивы пачками, не сливает документы в чужое облако и не берет плату за страницу.

Отдельный сценарий — автоматизация: почтовый бот получает вложение-скан, извлекает из него текст и данные, и кладет в базу без участия человека. Для этого движок распознавания должен жить на сервере и работать по API.

Два подхода: Tesseract и EasyOCR

Tesseract — классический движок OCR, быстрый и нетребовательный, отлично работает со сканами и чистыми документами. EasyOCR — нейросетевой, лучше справляется с фото, кривыми углами и рукописью, но тяжелее.

• Tesseract: сканы, PDF, счета, книги — быстро на CPU
• EasyOCR: фото с телефона, вывески, сложные фоны

Для потоковой обработки документов начинай с Tesseract — он экономит ресурсы VPS и легко ставится из репозитория.

Установка Tesseract

Ставим движок и русский языковой пакет:

apt update && apt install -y tesseract-ocr tesseract-ocr-rus tesseract-ocr-eng poppler-utils

poppler-utils нужен для конвертации PDF в картинки. Проверяем распознавание изображения:

tesseract document.png output -l rus
cat output.txt

Флаг -l rus подключает русскую модель, -l rus+eng — смешанный текст.

OCR для PDF

PDF сначала разбиваем на страницы-картинки, потом распознаем каждую:

pdftoppm -png -r 300 scan.pdf page
for f in page-*.png; do
  tesseract "$f" "${f%.png}" -l rus
done
cat page-*.txt > result.txt

Разрешение 300 dpi (-r 300) — оптимум: ниже теряется точность, выше растет время без выигрыша. Быстрый NVMe у MAATRIX ускоряет пакетную обработку — при сотнях страниц узкое место часто именно диск, а не CPU.

EasyOCR для фото

Для сложных изображений ставим нейросетевой EasyOCR:

python3 -m venv ~/ocr-venv
source ~/ocr-venv/bin/activate
pip install easyocr torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install easyocr

import easyocr
reader = easyocr.Reader(['ru', 'en'])
result = reader.readtext('photo.jpg', detail=0)
print("\n".join(result))

При первом запуске EasyOCR скачает модели детекции и распознавания — они кешируются на диске и переиспользуются.

API-обертка

Оборачиваем OCR в HTTP-сервис для приема картинок по сети:

from fastapi import FastAPI, UploadFile
import pytesseract, io
from PIL import Image

app = FastAPI()

@app.post("/ocr")
async def ocr(file: UploadFile):
    img = Image.open(io.BytesIO(await file.read()))
    text = pytesseract.image_to_string(img, lang="rus")
    return {"text": text}

pip install fastapi uvicorn pytesseract pillow python-multipart
uvicorn app:app --host 127.0.0.1 --port 8003

Библиотека pytesseract — это тонкая Python-обертка над тем же бинарником Tesseract, поэтому язык и параметры передаются через аргумент lang и config. Например, --psm 6 говорит движку, что перед ним единый блок текста, а не разрозненные строки — это заметно повышает точность на таблицах и колонках.

Качество и частые ошибки

Точность OCR сильно зависит от подготовки изображения. Перед распознаванием картинку полезно выпрямить, повысить контраст и убрать шум через ImageMagick:

apt install -y imagemagick
convert scan.png -deskew 40% -threshold 60% clean.png
tesseract clean.png out -l rus

• Кракозябры вместо русского — забыл пакет tesseract-ocr-rus или флаг -l rus.
• Пустой результат — слишком низкое разрешение, сканируй от 300 dpi.
• Кривой текст с фото — переходи на EasyOCR или выпрямляй через -deskew.

Частые вопросы