PDF OCR Hotfolder

Verwandelt eingehende gescannte PDFs automatisch in durchsuchbare PDFs (PDF/A optional) per OCR. Hauptanwendung: Kunden-Scanner schiebt PDF in einen Ordner — Sekunden später liegt die OCR-Version im Ausgang oder wird in Nextcloud / per SFTP weitergeleitet.

Dokumentation

Dokument	Inhalt
docs/INSTALLATION.md	Erstinstallation, Instanzen anlegen, LXC, Ghostscript, Konfigurationsreferenz, Troubleshooting
docs/UPDATE.md	Update mit update.sh: Ablauf, Backup, Rollback, --check-config, Config-Drift
docs/OS-UPGRADE.md	Debian-Major-Upgrade (12 → 13): venv neu bauen, Pins anheben

Weiter: CHANGELOG.md · AI_AGENT_BRIEFING.md · config.example.toml

Features

• 🔍 OCR via ocrmypdf + Tesseract (Library-Call, kein Subprozess-Overhead)
• 📂 Hotfolder via watchdog — reagiert auf created, moved, closed Events
• 🧠 Stabilitäts-Erkennung: wartet bis Scanner fertig geschrieben hat
• 🔁 Parallelverarbeitung mehrerer PDFs (ThreadPool, konfigurierbar)
• ♻️ Wiederaufnahme aus working/ nach einem harten Stopp — keine Datei bleibt liegen
• ✅ PDF/A-Output (1, 2 oder 3) optional
• 🛡️ veraPDF-Validierung optional
• ☁️ Upload-Ziele: lokaler Ordner, Nextcloud (WebDAV via Python), SFTP
• 📧 E-Mail-Notify (immer / nur Fehler / nie)
• 🔐 Service-User-Support für lokale und AD-User mit lokaler UID (SSSD/Winbind)
• ⚙️ Saubere systemd-Integration mit auto-Restart, Multi-Instanz über eine Template-Unit
• 🩺 --check-config prüft eine Instanz-Config ohne etwas zu verarbeiten

Schnellstart

Voraussetzungen: Debian 12 oder 13, Python 3.11+, root — und mindestens 2 GB RAM (512 MB reichen für 300-dpi-Scans nachweislich nicht, siehe Systemanforderungen).

git clone gitea@gitea.sonith.de:sonith_ug/pdf-ocr-hotfolder.git
cd pdf-ocr-hotfolder
sudo ./install.sh

Der Installer legt einmalig Code, venv und die systemd-Template-Unit an und fragt danach pro Instanz Name, Basis-Pfad, Service-User, OCR-Sprachen und die Original-Behandlung ab. Bei jedem erneuten Aufruf erkennt er bestehende Instanzen und fragt nur nach neuen.

Test:

cp irgendein-scan.pdf /var/lib/pdf-ocr-hotfolder/<instanz>/incoming/
journalctl -u pdf-ocr-hotfolder@<instanz> -f

Nach wenigen Sekunden liegt das OCR-PDF im outgoing/-Ordner der Instanz.

Alle Details zu den Abfragen, zum Multi-Instanz-Betrieb und zu den Fallstricken (LXC, Ghostscript): docs/INSTALLATION.md.

Update: git pull && sudo ./update.sh — siehe docs/UPDATE.md. Nach einem Debian-Major-Upgrade: docs/OS-UPGRADE.md.

Verzeichnisse

Pfad	Zweck
/opt/pdf-ocr-hotfolder/	Code + venv (für alle Instanzen gemeinsam)
/etc/pdf-ocr-hotfolder/<instanz>.toml	Config pro Instanz (640, root:<service-gruppe>)
/etc/systemd/system/pdf-ocr-hotfolder@.service	systemd Template-Unit
/var/lib/pdf-ocr-hotfolder/<instanz>/incoming	Eingang (Scanner schreibt hier rein)
/var/lib/pdf-ocr-hotfolder/<instanz>/working	Arbeitsverzeichnis während OCR
/var/lib/pdf-ocr-hotfolder/<instanz>/outgoing	Ausgang (fertige PDFs)
/var/lib/pdf-ocr-hotfolder/<instanz>/error	Fehlgeschlagene PDFs
/var/backups/pdf-ocr-hotfolder/	Update-Backups (0600, letzte 5)

Ein eigenes Logverzeichnis gibt es nicht — der Dienst loggt nach stdout und damit ins journal.

Konfiguration im Überblick

Jede Instanz hat ihre eigene TOML unter /etc/pdf-ocr-hotfolder/<instanz>.toml. Vollständiges, kommentiertes Beispiel: config.example.toml. Key-für-Key-Referenz: docs/INSTALLATION.md.

Sektion	Zweck
[paths]	incoming, outgoing, working, error — Pflicht
[ocr]	Sprachen, jobs, skip_text, pdfa_level, deskew, max_workers, timeout (Sekunden pro Seite)
[output]	Dateibenennung (name_mode/name_tag) und Original-Behandlung (delete/archive)
[verapdf]	optionale PDF/A-Validierung per CLI
[upload.folder] / [upload.nextcloud] / [upload.sftp]	Upload-Ziele, beliebig viele gleichzeitig
[notify.email]	SMTP-Benachrichtigung: always | errors | never
[logging]	level = DEBUG/INFO/WARNING/ERROR

Die Instanz-Configs enthalten Klartext-Passwörter (SMTP, Nextcloud, SFTP) — deshalb 640 root:<service-gruppe> und beim Debuggen nicht in Tickets kopieren.

Config prüfen, ohne etwas zu verarbeiten:

cd /opt/pdf-ocr-hotfolder && sudo ./venv/bin/python -m pdf_ocr_hotfolder \
    --check-config --config /etc/pdf-ocr-hotfolder/<instanz>.toml

Exit 0 = sauber, 1 = Warnungen, 2 = Fehler. Details: docs/UPDATE.md.

Service-Verwaltung

# Eine bestimmte Instanz
sudo systemctl status pdf-ocr-hotfolder@kunde-a
sudo systemctl restart pdf-ocr-hotfolder@kunde-a
journalctl -u pdf-ocr-hotfolder@kunde-a -f

# Alle Instanzen
sudo systemctl status 'pdf-ocr-hotfolder@*'
sudo systemctl restart 'pdf-ocr-hotfolder@*'
journalctl -u 'pdf-ocr-hotfolder@*' --since today

Ein laufendes OCR darf beim Stoppen zu Ende laufen (TimeoutStopSec=300) — ein stop kann deshalb pro Instanz bis zu 5 Minuten dauern.

Architektur

   ┌──────────┐    watchdog     ┌──────────────┐    ocrmypdf    ┌──────────┐
   │ Scanner  │ ──────────────▶ │   incoming/  │ ─────────────▶ │ working/ │
   └──────────┘   PDF-Datei     └──────────────┘   (Library)    └────┬─────┘
                                                                     │
                                                              optional veraPDF
                                                                     │
                                                                     ▼
                                                              ┌──────────────┐
                                                              │  outgoing/   │
                                                              └──────┬───────┘
                                                                     │
                                              ┌──────────────────────┼──────────────────────┐
                                              ▼                      ▼                      ▼
                                       ┌────────────┐        ┌────────────┐        ┌────────────┐
                                       │ Nextcloud  │        │    SFTP    │        │  E-Mail    │
                                       │  (WebDAV)  │        │ (paramiko) │        │  Notify    │
                                       └────────────┘        └────────────┘        └────────────┘

Beim Start wird working/ zuerst durchsucht: was ein harter Stopp dort liegen ließ, wird wiederaufgenommen; unvollständige OCR-Fragmente (__ocr_*) werden gelöscht.

Tests

pytest          # 152 Tests

ocrmypdf muss dafür nicht installiert sein — der Import ist lazy und wird in den Tests gemockt.

Lizenz

MIT — © Sonith UG

---

Version: 0.6.3 Repo: https://gitea.sonith.de/sonith_ug/pdf-ocr-hotfolder