first commit

tweet_classifier/ocr.py

@@ -0,0 +1,50 @@
+import logging
+from pathlib import Path
+from typing import List, Optional
+import easyocr
+
+logger = logging.getLogger(__name__)
+
+class TweetOCRExtractor:
+    """
+    Classe responsable de l'extraction de texte à partir de captures d'écran en utilisant EasyOCR.
+    """
+    def __init__(self, languages: Optional[List[str]] = None):
+        """
+        Initialise le lecteur EasyOCR.
+        :param languages: Liste des langues à charger (par défaut ['fr', 'en']).
+        """
+        if languages is None:
+            languages = ['fr', 'en']
+        self.languages = languages
+        self._reader = None
+
+    @property
+    def reader(self) -> easyocr.Reader:
+        """
+        Initialisation tardive (lazy loading) d'EasyOCR pour économiser de la mémoire si non utilisé.
+        """
+        if self._reader is None:
+            logger.info("Initialisation de l'OCR EasyOCR (ceci peut prendre quelques secondes)...")
+            self._reader = easyocr.Reader(self.languages)
+        return self._reader
+
+    def extract_text(self, image_path: Path) -> str:
+        """
+        Extrait le texte d'une image.
+        :param image_path: Chemin vers le fichier image.
+        :return: Texte brut extrait.
+        """
+        if not image_path.exists():
+            raise FileNotFoundError(f"Le fichier image n'existe pas : {image_path}")
+        
+        try:
+            # easyocr accepte un chemin de fichier sous forme de string
+            results = self.reader.readtext(str(image_path))
+            # On joint les blocs de texte détectés
+            text_blocks = [text for (_, text, _) in results]
+            extracted_text = " ".join(text_blocks).strip()
+            return extracted_text
+        except Exception as e:
+            logger.error(f"Erreur lors de l'extraction OCR sur {image_path.name} : {e}")
+            raise RuntimeError(f"Échec de l'OCR : {e}") from e