@mostajs/ocr-img2md

Auteur : Dr Hamid MADANI [email protected] Licence : AGPL-3.0-or-later

Scanner une image (photo, capture, infographie) ou un PDF scanné en Markdown éditable. Composition pure de l'écosystème — le module manipule, l'application décide quoi en faire (article, note, fiche…) :

• @mostajs/ocr — reconnaissance du texte (image → texte, driver tesseract.js optionnel) ;
• @mostajs/image (optionnel) — pré-traitement (agrandir une image trop petite) et rendu des pages d'un PDF ;
• @mostajs/markdown-html — le Markdown produit est rendu côté consommateur ;
• @mostajs/markdown-editor — étage de relecture/correction (l'OCR est imparfaite).

fs-free : octets in → { markdown, text, confidence } out. ESM sans build (src/index.js).

API

import { scanToMarkdown, scanPdfToMarkdown, textToMarkdown, scanEditor, capabilities } from '@mostajs/ocr-img2md';

const caps = await capabilities();            // { ocr, engines, image, pdf }

// Image → Markdown
const { markdown, text, confidence } = await scanToMarkdown(pngBytes, { langs: ['fra', 'eng'] });

// PDF scanné → Markdown (compose @mostajs/image)
const r = await scanPdfToMarkdown(pdfBytes, { langs: ['fra'], scale: 2 });

// Structuration seule (pure, sans OCR — testable) : texte brut → Markdown
const md = textToMarkdown('INTERPRÉTATION DE L’ECG\n1. Fréquence\n2. Rythme');

// Étage relecture (HTML) : pré-remplit @mostajs/markdown-editor avec un bandeau de confiance
const html = scanEditor(markdown, { previewUrl: '/admin/preview', previewClass: 'article__body', confidence });

Structuration (textToMarkdown)

Best-effort et déterministe : 1re ligne forte → # Titre ; lignes EN MAJUSCULES → ## Sous-titre ; 1. … / - … → listes ; le reste → paragraphes. La sortie est faite pour être corrigée avant publication.

Dépendances (optionnelles)

| Capacité | Paquet | Sans lui | |---|---|---| | OCR | tesseract.js (via @mostajs/ocr) | capabilities().ocr = false ; scanToMarkdown lève une erreur claire | | PDF + pré-traitement | @mostajs/image (+ ses drivers) | capabilities().image/pdf = false ; scanPdfToMarkdown lève ; l'image n'est pas pré-traitée |

Le module se charge sans elles : textToMarkdown reste utilisable, et les capacités absentes sont signalées.

Pièges

• Langues = codes tesseract ("fra", "eng"), pas ISO-639-1. Défaut : ["fra","eng"].
• L'OCR d'une infographie dense (colonnes, icônes, couleurs) est bruitée : la sortie est un brouillon à relire.
• scanEditor renvoie du HTML ; posez MARKDOWN_EDITOR_CSS / MARKDOWN_EDITOR_JS (ré-exportés) dans la page.

0.2.0 — skills & structure

• → { skill, markdown, doc, text, confidence, blocks }.
• Structuration/skills réexportés de (source unique) : registerSkill, applySkill, reorderColumns, textToMarkdown.
• Option : basculer vers un driver VLM () via @mostajs/ocr, sinon tesseract souverain.