Docling Serve с поддержкой русского OCR

Репозиторий содержит Docker-образ на базе quay.io/docling-project/docling-serve с установленным Tesseract OCR и языковыми данными для русского языка, а также включённым веб‑интерфейсом Docling UI.

Возможности

• REST API Docling-serve для конвертации PDF, DOCX, изображений и других документов.
• OCR через Tesseract с поддержкой русского языка (rus).
• Автоматическое определение ориентации и скрипта (OSD) за счёт osd.traineddata.
• Веб‑интерфейс (UI) для загрузки документов через браузер.

Dockerfile

Пример Dockerfile (CentOS Stream 9 внутри базового образа):

FROM quay.io/docling-project/docling-serve:latest

# Переключаемся на root для установки пакетов
USER root

# Установка Tesseract, русского языка и загрузка osd/rus моделей
RUN dnf -y install epel-release && \
    dnf -y install tesseract tesseract-langpack-rus wget && \
    mkdir -p /usr/share/tesseract/tessdata && \
    wget -O /usr/share/tesseract/tessdata/osd.traineddata https://github.com/tesseract-ocr/tessdata/raw/main/osd.traineddata && \
    wget -O /usr/share/tesseract/tessdata/rus.traineddata https://github.com/tesseract-ocr/tessdata/raw/main/rus.traineddata && \
    dnf clean all

# Путь к tessdata (Tesseract ожидает подкаталог tessdata внутри этого префикса)
ENV TESSDATA_PREFIX=/usr/share/tesseract/tessdata

# Включаем UI через переменную окружения
ENV DOCLING_SERVE_ENABLE_UI=1

# Запуск Docling-serve
CMD ["docling-serve", "run", "--host", "0.0.0.0", "--port", "5001"]

Сборка образа

git clone <url-этого-репозитория>
cd <имя-репозитория>

docker build -t docling-serve-rus .

• docling-serve-rus — локальное имя образа, можно заменить на своё.
• Сборка требует доступа к интернету для загрузки базового образа и моделей Tesseract.

Запуск контейнера

docker run \
  -p 5001:5001 \
  --name docling-rus \
  docling-serve-rus

По умолчанию UI уже включён через DOCLING_SERVE_ENABLE_UI=1 внутри образа. Если нужно задать явно/переопределить:

docker run \
  -p 5001:5001 \
  -e DOCLING_SERVE_ENABLE_UI=1 \
  --name docling-rus \
  docling-serve-rus

Доступ к API и UI

После запуска будут доступны следующие эндпоинты:

• UI: http://localhost:5001/ui
• OpenAPI/Swagger: http://localhost:5001/docs
• REST API: http://localhost:5001 (например, POST /v1/convert для конвертации документов)

Использование русского OCR

Docling-serve использует Tesseract в качестве OCR-движка; при наличии rus.traineddata и osd.traineddata возможны:

• Распознавание русскоязычных документов (lang=["rus"]).
• Автоопределение ориентации и скрипта страницы за счёт OSD.

В большинстве случаев язык и OCR включаются автоматически через настройки пайплайна внутри сервера, но при использовании Docling как библиотеки можно явно задавать опции TesseractOcrOptions(lang=["rus"]).

Лицензия

• Docling и docling-serve распространяются по своим лицензиям (см. исходные репозитории).
• Tesseract OCR и языковые модели (osd.traineddata, rus.traineddata) имеют собственные лицензии, указанные в официальном репозитории tessdata.