StillHammer
c408959fdf
## Projects - ✅ videotoMP3Transcriptor → DONE (first shipped project! 🎉) - GroveEngine → WIP (reference doc with 46 commits/3 weeks) - WeChat Homework Bot → WIP (comprehensive mini program plan) - ocr_pdf_service → CONCEPT (from PAUSE) - SecondVoice → PAUSE (failed attempt, will restart) ## Execution Patterns (Nov 2025) - 102 commits in 3 weeks (aissia: 33, groveengine: 46, confluent: 23) - 71% active time (15/21 days) - VERDICT: Alexis EXECUTES, not "plan only" - Balance: Big architectural projects + Fast shipping (videotoMP3 in 2 days) ## Couple - Hospital incident 29 nov documented (successful deescalation) - Pattern confirmed: Physical needs > Emotional management - Pattern confirmed: Retreat > Insist when tension ## Updated files - Status_Projets.md: Full project status with execution data - Alexis.md: Profile update with execution proof + hospital incident - CLAUDE.md: Current project state (5 WIP, 6 PAUSE, 1 DONE, 4 CONSTANT, 6 CONCEPT) - New: Projects/DONE/ folder structure - New: wechat_miniapp_homework.md (880 lines) - New: couple_backlog/29_novembre_2025_hopital.md 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude <noreply@anthropic.com>
224 lines
5.7 KiB
Markdown
224 lines
5.7 KiB
Markdown
# OCR PDF Service - Service OCR en Ligne
|
|
|
|
**Status**: CONCEPT
|
|
**Created**: 19/11/2025
|
|
**Moved to CONCEPT**: 30/11/2025 (depuis PAUSE)
|
|
**Stack**: À définir (probablement Node.js + PaddleOCR Python backend)
|
|
|
|
---
|
|
|
|
## Concept
|
|
|
|
Service en ligne d'OCR pour PDFs avec deux modes de sortie :
|
|
1. **Extraction texte brut** - PDF → Texte extrait
|
|
2. **PDF avec texte intégré** - PDF scanné → PDF searchable (texte OCR intégré dans le PDF)
|
|
|
|
---
|
|
|
|
## Use Cases
|
|
|
|
### Mode 1: Extraction Texte
|
|
- Upload PDF scanné
|
|
- Service fait OCR sur toutes les pages
|
|
- Retourne fichier texte structuré
|
|
|
|
### Mode 2: PDF Searchable
|
|
- Upload PDF scanné (images uniquement)
|
|
- Service fait OCR + intègre texte invisible dans le PDF
|
|
- Retourne PDF avec couche texte (Ctrl+F fonctionne, sélection texte possible)
|
|
|
|
---
|
|
|
|
## Stack Potentielle
|
|
|
|
**Backend OCR**:
|
|
- PaddleOCR (déjà validé sur ClassGen - 99.97% précision chinois)
|
|
- Support multilingue (CN/EN/FR/etc.)
|
|
- API Python
|
|
|
|
**Service Web**:
|
|
- Node.js + Express (API REST)
|
|
- Upload handling (multipart/form-data)
|
|
- Queue system pour jobs OCR (Redis + Bull ?)
|
|
|
|
**PDF Processing**:
|
|
- PDF.js ou pdf-lib (manipulation PDF côté Node)
|
|
- PyPDF2 ou reportlab (Python - intégration texte dans PDF)
|
|
|
|
**Frontend** (optionnel):
|
|
- Simple upload form
|
|
- Progress tracking
|
|
- Download résultat
|
|
|
|
---
|
|
|
|
## Architecture Proposée
|
|
|
|
```
|
|
┌─────────────┐
|
|
│ Client │
|
|
│ (Browser) │
|
|
└──────┬──────┘
|
|
│ Upload PDF
|
|
▼
|
|
┌─────────────────┐
|
|
│ Node.js API │
|
|
│ (Express) │
|
|
└────────┬────────┘
|
|
│ Enqueue job
|
|
▼
|
|
┌─────────────────┐
|
|
│ Job Queue │
|
|
│ (Redis/Bull) │
|
|
└────────┬────────┘
|
|
│ Process
|
|
▼
|
|
┌─────────────────┐
|
|
│ Python Worker │
|
|
│ (PaddleOCR) │
|
|
└────────┬────────┘
|
|
│ OCR Result
|
|
▼
|
|
┌─────────────────┐
|
|
│ PDF Generator │
|
|
│ (PyPDF2/etc) │
|
|
└────────┬────────┘
|
|
│ Output PDF
|
|
▼
|
|
┌─────────────────┐
|
|
│ Storage/CDN │
|
|
│ (Download) │
|
|
└─────────────────┘
|
|
```
|
|
|
|
---
|
|
|
|
## Features MVP
|
|
|
|
### Core
|
|
- [x] Upload PDF (max size ?)
|
|
- [x] Détection langue automatique
|
|
- [x] OCR via PaddleOCR
|
|
- [x] Export texte brut (.txt)
|
|
- [x] Export PDF searchable
|
|
|
|
### Nice-to-Have
|
|
- [ ] Batch processing (multiple PDFs)
|
|
- [ ] Support images (JPG, PNG) en plus des PDFs
|
|
- [ ] Choix manuel langue OCR
|
|
- [ ] Preview avant download
|
|
- [ ] API key pour usage programmatique
|
|
- [ ] Webhook pour notification fin de job
|
|
|
|
---
|
|
|
|
## Différenciation vs Concurrence
|
|
|
|
**Concurrents**:
|
|
- Adobe Acrobat (payant, lourd)
|
|
- Online OCR services (limites, confidentialité ?)
|
|
- Google Drive OCR (limites format)
|
|
|
|
**Notre avantage**:
|
|
- **Gratuit** (ou freemium)
|
|
- **Open source** (si tu veux)
|
|
- **Privacy-focused** : Upload → Process → Delete (pas de stockage permanent)
|
|
- **Multi-langue optimisé** : Chinois excellemment supporté (PaddleOCR)
|
|
- **Deux modes** : Texte brut OU PDF searchable
|
|
- **API publique** : Intégration dans workflows
|
|
|
|
---
|
|
|
|
## Monétisation Potentielle
|
|
|
|
**Freemium Model**:
|
|
- **Free tier**: 10 PDFs/mois, max 5MB, watermark optionnel
|
|
- **Pro tier**: 100 PDFs/mois, max 50MB, pas de watermark, API access
|
|
- **Enterprise**: Unlimited, self-hosted option, support
|
|
|
|
**Alternative**:
|
|
- Pur gratuit + donations
|
|
- Ou pur gratuit comme portfolio piece
|
|
|
|
---
|
|
|
|
## Timeline Estimée
|
|
|
|
**Phase 1 - MVP (1-2 semaines)**:
|
|
- Setup backend Python (PaddleOCR déjà validé)
|
|
- API Node.js upload/download
|
|
- Mode extraction texte brut
|
|
- Interface web minimaliste
|
|
|
|
**Phase 2 - PDF Searchable (1 semaine)**:
|
|
- Intégration texte dans PDF original
|
|
- Tests qualité (alignement texte/image)
|
|
|
|
**Phase 3 - Polish (1 semaine)**:
|
|
- UI/UX améliorée
|
|
- Error handling robuste
|
|
- Rate limiting
|
|
- Documentation API
|
|
|
|
**Total**: 3-4 semaines pour version production-ready
|
|
|
|
---
|
|
|
|
## Risques & Challenges
|
|
|
|
**Technique**:
|
|
- Alignement texte OCR avec position dans PDF (complexe)
|
|
- Performance pour gros PDFs (100+ pages)
|
|
- Gestion mémoire (PaddleOCR peut être gourmand)
|
|
|
|
**Business**:
|
|
- Coût serveur (OCR = CPU-intensive)
|
|
- Scaling si succès
|
|
- Légal : Respecter copyright des PDFs uploadés
|
|
|
|
**Produit**:
|
|
- Beaucoup de concurrence
|
|
- Besoin USP clair (pourquoi utiliser le nôtre ?)
|
|
|
|
---
|
|
|
|
## Lien avec ClassGen
|
|
|
|
**Synergie**:
|
|
- Pipeline OCR déjà validé (99.97% précision)
|
|
- Code réutilisable (PaddleOCR setup, correction IA)
|
|
- Même stack backend
|
|
|
|
**Différence**:
|
|
- ClassGen : OCR → JSON structuré → Gamification (usage perso)
|
|
- OCR Service : OCR → PDF/Texte → Download (usage général)
|
|
|
|
---
|
|
|
|
## Décision à Prendre
|
|
|
|
**Questions**:
|
|
1. **Priorité** : Avant ou après ClassGen stable ?
|
|
2. **Scope** : MVP simple ou service complet ?
|
|
3. **Monétisation** : Gratuit, freemium, ou portfolio piece ?
|
|
4. **Hébergement** : VPS, serverless, ou local d'abord ?
|
|
|
|
**Recommandation**:
|
|
- Attendre ClassGen livré + utilisé 1-2 semaines
|
|
- Valider pipeline OCR en usage réel
|
|
- Puis décider si ce service a du sens commercialement
|
|
|
|
---
|
|
|
|
## Notes
|
|
|
|
**Pattern observé** : Encore un projet de conception brillante. Attention à ne pas tomber dans le piège "design mais jamais livré".
|
|
|
|
**Solution** :
|
|
- Time-box strict (4h sessions max)
|
|
- MVP ultra-minimaliste d'abord
|
|
- Livrer même si "pas parfait"
|
|
- Améliorer selon feedback réel
|
|
|
|
**Question socratique** : Pourquoi ce projet maintenant ? Quel problème concret ça résout pour toi ou pour d'autres ? Ou c'est juste "ça serait cool" ?
|