From e7d3ab34ed4dc19cc745311c3e1f8174ca9b7446 Mon Sep 17 00:00:00 2001
From: Jhonathan Guevara <jhonathan_guevara@ajsystem23.com>
Date: Wed, 31 Dec 2025 15:42:40 -0500
Subject: [PATCH] Version final

---
 README.md | 65 ++++++++++++++++++++++++++++++-------------------------
 1 file changed, 36 insertions(+), 29 deletions(-)

diff --git a/README.md b/README.md
index 9cd794b..c5a3a55 100644
--- a/README.md
+++ b/README.md
@@ -301,40 +301,47 @@ python3 -c "import pandas, openpyxl, dotenv; print('OK', pandas.__version__, ope
 ```
 
 #### 7.7) OCR (PDF real + escaneado) con Tesseract (Alpine)
-Si necesitas leer PDFs escaneados para el autorrelleno, usa este flujo.
+
+**Instalacion OCR en Alpine (servidor)**  
+Si el backend dice "OCR no disponible", instala esto en Alpine:
 ```bash
-
-# 1) Asegura repo community (donde esta ocrmypdf/tesseract-data)
-ALPINE_VER="$(cut -d. -f1,2 /etc/alpine-release)"
-sed -i 's/^#\(.*\/community\)/\1/' /etc/apk/repositories
-grep -q "/v${ALPINE_VER}/community" /etc/apk/repositories || \
-  echo "https://dl-cdn.alpinelinux.org/alpine/v${ALPINE_VER}/community" >> /etc/apk/repositories
-
-# 2) Instala herramientas: pdftotext (poppler), ocrmypdf, tesseract + idiomas
+# 1) Paquetes del sistema (OCR + deps de Python)
 apk update
 apk add --no-cache \
-  poppler-utils \
-  ocrmypdf \
+  tesseract-ocr \
   tesseract-ocr-data-spa \
-  tesseract-ocr-data-eng
+  tesseract-ocr-data-eng \
+  python3 py3-pip py3-virtualenv \
+  build-base python3-dev musl-dev \
+  libffi-dev openssl-dev zlib-dev \
+  jpeg-dev tiff-dev freetype-dev lcms2-dev openjpeg-dev
 
-# 3) Procesa el PDF (real/escaneado/mixto)
-IN="${1:-archivo.pdf}"
-BASE="${IN%.pdf}"
-TXT="${BASE}.txt"
-OCRPDF="${BASE}.ocr.pdf"
+# 2) Venv (si ya tienes /opt/saludut/venv, solo activalo)
+python3 -m venv /opt/saludut/venv
+. /opt/saludut/venv/bin/activate
 
-# Intenta extraer texto directo
-pdftotext -layout "$IN" - > "$TXT" 2>/dev/null || true
-
-# Si el texto es muy corto, probablemente es escaneado (o casi todo imagen) -> OCR
-LEN="$(tr -d '[:space:]' < "$TXT" | wc -c | tr -d ' ')"
-if [ "${LEN:-0}" -lt 80 ]; then
-  ocrmypdf -l spa+eng --skip-text --rotate-pages --deskew --optimize 3 "$IN" "$OCRPDF"
-  pdftotext -layout "$OCRPDF" "$TXT"
-  echo "OK (OCR aplicado cuando hacia falta): $OCRPDF  |  Texto: $TXT"
-else
-  echo "OK (PDF con texto): Texto: $TXT"
-fi
+# 3) Librerias Python usadas por el extractor
+pip install --upgrade pip
+pip install pdfplumber pymupdf pytesseract pillow
 ```
 
+En `backend/.env` agrega (o ajusta):
+```
+PYTHON_PATH=/opt/saludut/venv/bin/python
+TESSERACT_PATH=/usr/bin/tesseract
+TESSDATA_PREFIX=/usr/share/tessdata
+```
+
+Verificacion:
+```bash
+tesseract --list-langs | grep spa
+/opt/saludut/venv/bin/python -c "import pytesseract; print(pytesseract.get_tesseract_version())"
+```
+
+Reinicia el backend:
+```bash
+rc-service saludut-backend restart
+```
+
+
+