sonith_ug/pdf-ocr-hotfolder
3
0
Fork 0
Code Issues 3 Pull Requests Actions Packages Projects Releases Wiki Activity

Tesseract nicht installiert: MissingDependencyError schlägt erst bei erster Datei fehl, nicht beim Start #1

New Issue
Closed
opened 2026-04-09 01:41:47 +02:00 by clawdbot_dh · 2 comments
clawdbot_dh commented 2026-04-09 01:41:47 +02:00
Member
Copy Link
Copy Source

Problem

Wenn tesseract nicht auf dem System installiert ist, startet der Service trotzdem erfolgreich (systemctl start = OK). Der Fehler tritt erst auf wenn die erste PDF-Datei verarbeitet wird.

Beobachtetes Verhalten:

  • Service startet ohne Fehler
  • Erste PDF landet korrekt im error/-Verzeichnis
  • Fehlermeldung im Log: MissingDependencyError: Could not find program 'tesseract' on the PATH
  • Exit-Code des --once-Modus: 0 (kein Fehler signalisiert!)

Auswirkung

Ein Admin könnte den Service für funktionsfähig halten, obwohl keine einzige PDF verarbeitet werden kann. Bei systemd-Monitoring (z.B. per systemctl is-active) sieht alles grün aus.

Reproduktion

# Tesseract deinstallieren / nicht installieren
python -m pdf_ocr_hotfolder --config /etc/pdf-ocr-hotfolder/test.toml --once
# → Exit 0, kein offensichtlicher Fehler

Erwartetes Verhalten

Der Service sollte beim Start prüfen ob tesseract verfügbar ist. Falls nicht:

  • Klare Fehlermeldung beim Start
  • Exit-Code != 0
  • --once-Modus: Exit != 0 wenn Dateien fehlschlagen

Mögliche Lösung

# In __main__.py vor service.run():
from ocrmypdf._exec.tesseract import version as tess_version
try:
    tess_version()
except MissingDependencyError:
    print("FEHLER: tesseract nicht gefunden. sudo apt install tesseract-ocr", file=sys.stderr)
    return 1

Alternativ: Prüfung in HotfolderService.__init__() oder run().

Umgebung

  • ocrmypdf 17.4.1
  • Tesseract: nicht installiert
  • Entdeckt bei: Lokaler Test-Durchlauf 2026-04-08
## Problem Wenn `tesseract` nicht auf dem System installiert ist, startet der Service trotzdem erfolgreich (`systemctl start` = OK). Der Fehler tritt erst auf wenn die erste PDF-Datei verarbeitet wird. **Beobachtetes Verhalten:** - Service startet ohne Fehler - Erste PDF landet korrekt im `error/`-Verzeichnis - Fehlermeldung im Log: `MissingDependencyError: Could not find program 'tesseract' on the PATH` - Exit-Code des `--once`-Modus: `0` (kein Fehler signalisiert!) ## Auswirkung Ein Admin könnte den Service für funktionsfähig halten, obwohl keine einzige PDF verarbeitet werden kann. Bei systemd-Monitoring (z.B. per `systemctl is-active`) sieht alles grün aus. ## Reproduktion ```bash # Tesseract deinstallieren / nicht installieren python -m pdf_ocr_hotfolder --config /etc/pdf-ocr-hotfolder/test.toml --once # → Exit 0, kein offensichtlicher Fehler ``` ## Erwartetes Verhalten Der Service sollte beim Start prüfen ob `tesseract` verfügbar ist. Falls nicht: - Klare Fehlermeldung beim Start - Exit-Code != 0 - `--once`-Modus: Exit != 0 wenn Dateien fehlschlagen ## Mögliche Lösung ```python # In __main__.py vor service.run(): from ocrmypdf._exec.tesseract import version as tess_version try: tess_version() except MissingDependencyError: print("FEHLER: tesseract nicht gefunden. sudo apt install tesseract-ocr", file=sys.stderr) return 1 ``` Alternativ: Prüfung in `HotfolderService.__init__()` oder `run()`. ## Umgebung - ocrmypdf 17.4.1 - Tesseract: nicht installiert - Entdeckt bei: Lokaler Test-Durchlauf 2026-04-08
clawdbot_dh commented 2026-04-09 07:01:48 +02:00
Author
Member
Copy Link
Copy Source

Testbericht — PDF OCR Hotfolder v0.2.0

Datum: 2026-04-08
Tester: clawdbot
Version: 0.2.0
Testsystem: AMD Ryzen 5 3400GE, Debian 12, Python 3.11
Tesseract: nicht installiert (Testfokus auf Code-Logik + CLI-Verhalten)

Testszenario

Ziel: Funktionstest ohne vollständige Installation — Code-Import, Config-Loading, CLI-Verhalten, Fehlerhandling.

Vorbereitung

git clone https://gitea.sonith.de/sonith_ug/pdf-ocr-hotfolder.git
cd pdf-ocr-hotfolder
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt

mkdir -p /tmp/ocr-test/{incoming,working,outgoing,error}

Config /tmp/ocr-test-config.toml:

[paths]
incoming = "/tmp/ocr-test/incoming"
outgoing = "/tmp/ocr-test/outgoing"
working  = "/tmp/ocr-test/working"
error    = "/tmp/ocr-test/error"

[ocr]
languages = "deu+eng"
jobs = 2
skip_text = true
pdfa_level = "2"
deskew = true
max_workers = 2
timeout = 60

[verapdf]
enabled = false

[upload.folder]
enabled = true
target = ""

[upload.nextcloud]
enabled = false

[upload.sftp]
enabled = false

[notify.email]
enabled = false

[logging]
level = "DEBUG"

Test-PDF erstellt mit fpdf2:

from fpdf import FPDF
pdf = FPDF()
pdf.add_page()
pdf.set_font('Helvetica', size=16)
pdf.cell(200, 10, text='Test Rechnung 2026')
# → /tmp/ocr-test/incoming/test-rechnung.pdf (1036 bytes)

Testergebnisse

✅ TC-01: Config-Loading

from pdf_ocr_hotfolder.config import load_config
cfg = load_config('/tmp/ocr-test-config.toml')

Ergebnis: ✅ Erfolgreich
Alle Felder korrekt geladen. Config-Dataclass funktioniert wie erwartet.

✅ TC-02: CLI — --version

python3 -m pdf_ocr_hotfolder --version

Ausgabe: pdf-ocr-hotfolder 0.1.0
Ergebnis: ✅ OK — gibt korrekte Version aus

⚠️ Hinweis: Version 0.1.0 ausgegeben, obwohl CHANGELOG.md und README.md v0.2.0 zeigen.
Ursache: __init__.py noch nicht auf 0.2.0 aktualisiert.

✅ TC-03: CLI — --help

python3 -m pdf_ocr_hotfolder --help

Ergebnis: ✅ Korrekte Usage-Ausgabe mit allen Optionen.

✅ TC-04: Fehlende Config

python3 -m pdf_ocr_hotfolder --config /nonexistent.toml
echo $?  # → 2

Ergebnis: ✅ Korrekte Fehlermeldung + Exit-Code 2.

✅ TC-05: --once mit leerem incoming/

python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once
echo $?  # → 0

Ergebnis: ✅ Startet, findet keine PDFs, beendet sauber.

🔴 TC-06: --once mit PDF, Tesseract fehlt

cp test-rechnung.pdf /tmp/ocr-test/incoming/
python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once
echo $?  # → 0 ← PROBLEM

Beobachtetes Verhalten:

  • test-rechnung.pdf wird korrekt nach working/ verschoben
  • OCR schlägt fehl: MissingDependencyError: Could not find program 'tesseract'
  • Datei wird korrekt nach error/ verschoben ✅
  • Exit-Code: 0 ← obwohl Datei fehlgeschlagen ❌
  • Service startet ohne Vorab-Prüfung ob Tesseract verfügbar ❌

Dateizustand nach Lauf:

incoming/  → leer  (Datei wurde verarbeitet)
working/   → leer  (korrekt aufgeräumt)
outgoing/  → leer  (OCR fehlgeschlagen)
error/     → test-rechnung.pdf  ✅ korrekt

Issues erstellt:

  • → Issue #1: Keine Tesseract-Vorab-Prüfung beim Start
  • → Issue #2: --once Exit-Code 0 bei Fehlern

Gesamtbewertung

Test Ergebnis
TC-01 Config-Loading ✅
TC-02 --version ✅ (⚠️ Versionsnummer falsch)
TC-03 --help ✅
TC-04 Fehlende Config ✅
TC-05 --once leer ✅
TC-06 --once + Tesseract fehlt 🔴 Exit-Code falsch

Positiv:

  • Fehlerhandling solide: fehlgeschlagene PDFs landen in error/, Service läuft weiter
  • Kein Datenverlust: Dateien werden nie gelöscht, immer nur verschoben
  • Code-Struktur sauber, gut lesbar
  • Config-Loading robust

Offen (vor Produktion):

  • Tesseract + Ghostscript Vorab-Check beim Start (Issue #1)
  • --once Exit-Code bei Fehlern (Issue #2)
  • __version__ auf 0.2.0 setzen
  • Vollständiger Test mit Tesseract installiert (OCR-Qualität, PDF/A-Output, Upload-Targets)
  • Test mit echtem Scan-PDF (schräg, niedrige Auflösung)
  • Multi-Instanz-Test (2 Instanzen gleichzeitig)

Nächste Testschritte (mit Tesseract)

# System mit Tesseract:
sudo apt install tesseract-ocr tesseract-ocr-deu ghostscript

# Volltest:
python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once

# Erwartung:
# outgoing/ → OCR_test-rechnung.pdf (durchsuchbares PDF)
# Datei ist text-durchsuchbar (pdftotext prüfen)
# Testbericht — PDF OCR Hotfolder v0.2.0 **Datum:** 2026-04-08 **Tester:** clawdbot **Version:** 0.2.0 **Testsystem:** AMD Ryzen 5 3400GE, Debian 12, Python 3.11 **Tesseract:** nicht installiert (Testfokus auf Code-Logik + CLI-Verhalten) --- ## Testszenario Ziel: Funktionstest ohne vollständige Installation — Code-Import, Config-Loading, CLI-Verhalten, Fehlerhandling. ### Vorbereitung ```bash git clone https://gitea.sonith.de/sonith_ug/pdf-ocr-hotfolder.git cd pdf-ocr-hotfolder python3 -m venv venv && source venv/bin/activate pip install -r requirements.txt mkdir -p /tmp/ocr-test/{incoming,working,outgoing,error} ``` **Config `/tmp/ocr-test-config.toml`:** ```toml [paths] incoming = "/tmp/ocr-test/incoming" outgoing = "/tmp/ocr-test/outgoing" working = "/tmp/ocr-test/working" error = "/tmp/ocr-test/error" [ocr] languages = "deu+eng" jobs = 2 skip_text = true pdfa_level = "2" deskew = true max_workers = 2 timeout = 60 [verapdf] enabled = false [upload.folder] enabled = true target = "" [upload.nextcloud] enabled = false [upload.sftp] enabled = false [notify.email] enabled = false [logging] level = "DEBUG" ``` **Test-PDF erstellt mit fpdf2:** ```python from fpdf import FPDF pdf = FPDF() pdf.add_page() pdf.set_font('Helvetica', size=16) pdf.cell(200, 10, text='Test Rechnung 2026') # → /tmp/ocr-test/incoming/test-rechnung.pdf (1036 bytes) ``` --- ## Testergebnisse ### ✅ TC-01: Config-Loading ```python from pdf_ocr_hotfolder.config import load_config cfg = load_config('/tmp/ocr-test-config.toml') ``` **Ergebnis:** ✅ Erfolgreich Alle Felder korrekt geladen. Config-Dataclass funktioniert wie erwartet. --- ### ✅ TC-02: CLI — `--version` ```bash python3 -m pdf_ocr_hotfolder --version ``` **Ausgabe:** `pdf-ocr-hotfolder 0.1.0` **Ergebnis:** ✅ OK — gibt korrekte Version aus > ⚠️ **Hinweis:** Version `0.1.0` ausgegeben, obwohl `CHANGELOG.md` und `README.md` v0.2.0 zeigen. > Ursache: `__init__.py` noch nicht auf 0.2.0 aktualisiert. --- ### ✅ TC-03: CLI — `--help` ```bash python3 -m pdf_ocr_hotfolder --help ``` **Ergebnis:** ✅ Korrekte Usage-Ausgabe mit allen Optionen. --- ### ✅ TC-04: Fehlende Config ```bash python3 -m pdf_ocr_hotfolder --config /nonexistent.toml echo $? # → 2 ``` **Ergebnis:** ✅ Korrekte Fehlermeldung + Exit-Code 2. --- ### ✅ TC-05: `--once` mit leerem `incoming/` ```bash python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once echo $? # → 0 ``` **Ergebnis:** ✅ Startet, findet keine PDFs, beendet sauber. --- ### 🔴 TC-06: `--once` mit PDF, Tesseract fehlt ```bash cp test-rechnung.pdf /tmp/ocr-test/incoming/ python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once echo $? # → 0 ← PROBLEM ``` **Beobachtetes Verhalten:** - `test-rechnung.pdf` wird korrekt nach `working/` verschoben - OCR schlägt fehl: `MissingDependencyError: Could not find program 'tesseract'` - Datei wird korrekt nach `error/` verschoben ✅ - **Exit-Code: 0** ← obwohl Datei fehlgeschlagen ❌ - Service startet ohne Vorab-Prüfung ob Tesseract verfügbar ❌ **Dateizustand nach Lauf:** ``` incoming/ → leer (Datei wurde verarbeitet) working/ → leer (korrekt aufgeräumt) outgoing/ → leer (OCR fehlgeschlagen) error/ → test-rechnung.pdf ✅ korrekt ``` **Issues erstellt:** - → **Issue #1:** Keine Tesseract-Vorab-Prüfung beim Start - → **Issue #2:** `--once` Exit-Code 0 bei Fehlern --- ## Gesamtbewertung | Test | Ergebnis | |---|---| | TC-01 Config-Loading | ✅ | | TC-02 --version | ✅ (⚠️ Versionsnummer falsch) | | TC-03 --help | ✅ | | TC-04 Fehlende Config | ✅ | | TC-05 --once leer | ✅ | | TC-06 --once + Tesseract fehlt | 🔴 Exit-Code falsch | **Positiv:** - Fehlerhandling solide: fehlgeschlagene PDFs landen in `error/`, Service läuft weiter - Kein Datenverlust: Dateien werden nie gelöscht, immer nur verschoben - Code-Struktur sauber, gut lesbar - Config-Loading robust **Offen (vor Produktion):** - [ ] Tesseract + Ghostscript Vorab-Check beim Start (Issue #1) - [ ] `--once` Exit-Code bei Fehlern (Issue #2) - [ ] `__version__` auf 0.2.0 setzen - [ ] Vollständiger Test mit Tesseract installiert (OCR-Qualität, PDF/A-Output, Upload-Targets) - [ ] Test mit echtem Scan-PDF (schräg, niedrige Auflösung) - [ ] Multi-Instanz-Test (2 Instanzen gleichzeitig) --- ## Nächste Testschritte (mit Tesseract) ```bash # System mit Tesseract: sudo apt install tesseract-ocr tesseract-ocr-deu ghostscript # Volltest: python3 -m pdf_ocr_hotfolder --config /tmp/ocr-test-config.toml --once # Erwartung: # outgoing/ → OCR_test-rechnung.pdf (durchsuchbares PDF) # Datei ist text-durchsuchbar (pdftotext prüfen) ```
techadmin commented 2026-04-09 07:24:13 +02:00
Owner
Copy Link
Copy Source

Behoben in v0.2.1 (Commit 6f7cadf). Test-Szenarien sind in tests/test_preflight.py und tests/test_once_exit_code.py abgebildet (11 Tests, alle grün).

Behoben in v0.2.1 (Commit 6f7cadf). Test-Szenarien sind in `tests/test_preflight.py` und `tests/test_once_exit_code.py` abgebildet (11 Tests, alle grün).
Sign in to join this conversation.
No Branch/Tag Specified
Branches Tags
Labels
No items
No Label
Milestone
No items
No Milestone
Projects
Clear projects
No project
Assignees
Clear assignees
dominik.knapp (Dominik Knapp) stefan.riederer (Stefan Riederer) techadmin (Dominik Höfling)
No Assignees
2 Participants
Notifications
Due Date
No due date set.
Dependencies

No dependencies set.

Reference: sonith_ug/pdf-ocr-hotfolder#1
Delete Branch "%!s()"

Deleting a branch is permanent. Although the deleted branch may continue to exist for a short time before it actually gets removed, it CANNOT be undone in most cases. Continue?