Add docker support

app.py

@@ -24,10 +24,133 @@
 
 """)
 languages = {
+    'Afrikaans': 'afr',
+    'Amharic': 'amh',
+    'Arabic': 'ara',
+    'Assamese': 'asm',
+    'Azerbaijani': 'aze',
+    'Azerbaijani - Cyrillic': 'aze_cyrl',
+    'Belarusian': 'bel',
+    'Bengali': 'ben',
+    'Tibetan': 'bod',
+    'Bosnian': 'bos',
+    'Breton': 'bre',
+    'Bulgarian': 'bul',
+    'Catalan; Valencian': 'cat',
+    'Cebuano': 'ceb',
+    'Czech': 'ces',
+    'Chinese - Simplified': 'chi_sim',
+    'Chinese - Traditional': 'chi_tra',
+    'Cherokee': 'chr',
+    'Corsican': 'cos',
+    'Welsh': 'cym',
+    'Danish': 'dan',
+    'Danish - Fraktur (contrib)': 'dan_frak',
+    'German': 'deu',
+    'German - Fraktur (contrib)': 'deu_frak',
+    'German (Fraktur Latin)': 'deu_latf',
+    'Dzongkha': 'dzo',
+    'Greek, Modern (1453-)': 'ell',
     'English': 'eng',
+    'English, Middle (1100-1500)': 'enm',
+    'Esperanto': 'epo',
+    'Math / equation detection module': 'equ',
+    'Estonian': 'est',
+    'Basque': 'eus',
+    'Faroese': 'fao',
+    'Persian': 'fas',
+    'Filipino (old - Tagalog)': 'fil',
+    'Finnish': 'fin',
     'French': 'fra',
-    'Arabic': 'ara',
-    'Spanish': 'spa',
+    'German - Fraktur (now deu_latf)': 'frk',
+    'French, Middle (ca.1400-1600)': 'frm',
+    'Western Frisian': 'fry',
+    'Scottish Gaelic': 'gla',
+    'Irish': 'gle',
+    'Galician': 'glg',
+    'Greek, Ancient (to 1453) (contrib)': 'grc',
+    'Gujarati': 'guj',
+    'Haitian; Haitian Creole': 'hat',
+    'Hebrew': 'heb',
+    'Hindi': 'hin',
+    'Croatian': 'hrv',
+    'Hungarian': 'hun',
+    'Armenian': 'hye',
+    'Inuktitut': 'iku',
+    'Indonesian': 'ind',
+    'Icelandic': 'isl',
+    'Italian': 'ita',
+    'Italian - Old': 'ita_old',
+    'Javanese': 'jav',
+    'Japanese': 'jpn',
+    'Kannada': 'kan',
+    'Georgian': 'kat',
+    'Georgian - Old': 'kat_old',
+    'Kazakh': 'kaz',
+    'Central Khmer': 'khm',
+    'Kirghiz; Kyrgyz': 'kir',
+    'Kurmanji (Kurdish - Latin Script)': 'kmr',
+    'Korean': 'kor',
+    'Korean (vertical)': 'kor_vert',
+    'Kurdish (Arabic Script)': 'kur',
+    'Lao': 'lao',
+    'Latin': 'lat',
+    'Latvian': 'lav',
+    'Lithuanian': 'lit',
+    'Luxembourgish': 'ltz',
+    'Malayalam': 'mal',
+    'Marathi': 'mar',
+    'Macedonian': 'mkd',
+    'Maltese': 'mlt',
+    'Mongolian': 'mon',
+    'Maori': 'mri',
+    'Malay': 'msa',
+    'Burmese': 'mya',
+    'Nepali': 'nep',
+    'Dutch; Flemish': 'nld',
+    'Norwegian': 'nor',
+    'Occitan (post 1500)': 'oci',
+    'Oriya': 'ori',
+    'Orientation and script detection module': 'osd',
+    'Panjabi; Punjabi': 'pan',
+    'Polish': 'pol',
+    'Portuguese': 'por',
+    'Pushto; Pashto': 'pus',
+    'Quechua': 'que',
+    'Romanian; Moldavian; Moldovan': 'ron',
+    'Russian': 'rus',
+    'Sanskrit': 'san',
+    'Sinhala; Sinhalese': 'sin',
+    'Slovak': 'slk',
+    'Slovak - Fraktur (contrib)': 'slk_frak',
+    'Slovenian': 'slv',
+    'Sindhi': 'snd',
+    'Spanish; Castilian': 'spa',
+    'Spanish; Castilian - Old': 'spa_old',
+    'Albanian': 'sqi',
+    'Serbian': 'srp',
+    'Serbian - Latin': 'srp_latn',
+    'Sundanese': 'sun',
+    'Swahili': 'swa',
+    'Swedish': 'swe',
+    'Syriac': 'syr',
+    'Tamil': 'tam',
+    'Tatar': 'tat',
+    'Telugu': 'tel',
+    'Tajik': 'tgk',
+    'Tagalog (new - Filipino)': 'tgl',
+    'Thai': 'tha',
+    'Tigrinya': 'tir',
+    'Tonga': 'ton',
+    'Turkish': 'tur',
+    'Uighur; Uyghur': 'uig',
+    'Ukrainian': 'ukr',
+    'Urdu': 'urd',
+    'Uzbek': 'uzb',
+    'Uzbek - Cyrillic': 'uzb_cyrl',
+    'Vietnamese': 'vie',
+    'Yiddish': 'yid',
+    'Yoruba': 'yor'
 }
 
 with st.sidebar:

docker-compose.yml

@@ -0,0 +1,8 @@
+version: "3.3"
+services:
+  pdf-text:
+    container_name: data-extractor
+    build: .
+    ports:
+      - "8501:8501"
+    restart: unless-stopped

dockerfile

@@ -0,0 +1,21 @@
+FROM python:3.12-slim
+
+COPY * /app/
+WORKDIR /app
+
+RUN apt-get update && apt-get install -y \
+    build-essential \
+    curl \
+    software-properties-common \
+    git \
+    tesseract-ocr-all \
+    poppler-utils \
+    && rm -rf /var/lib/apt/lists/*
+
+RUN pip3 install -r requirements.txt
+
+EXPOSE 8501
+
+HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health
+
+ENTRYPOINT ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

packages.txt

@@ -1,5 +1,129 @@
 poppler-utils
 tesseract-ocr
-tesseract-ocr-spa
-tesseract-ocr-fra
-tesseract-ocr-ara
+tesseract-ocr-afr  
+tesseract-ocr-amh  
+tesseract-ocr-ara  
+tesseract-ocr-asm  
+tesseract-ocr-aze  
+tesseract-ocr-aze_cyrl  
+tesseract-ocr-bel  
+tesseract-ocr-ben  
+tesseract-ocr-bod  
+tesseract-ocr-bos  
+tesseract-ocr-bre  
+tesseract-ocr-bul  
+tesseract-ocr-cat  
+tesseract-ocr-ceb  
+tesseract-ocr-ces  
+tesseract-ocr-chi_sim  
+tesseract-ocr-chi_tra  
+tesseract-ocr-chr  
+tesseract-ocr-cos  
+tesseract-ocr-cym  
+tesseract-ocr-dan  
+tesseract-ocr-dan_frak  
+tesseract-ocr-deu  
+tesseract-ocr-deu_frak  
+tesseract-ocr-deu_latf  
+tesseract-ocr-dzo  
+tesseract-ocr-ell  
+tesseract-ocr-eng  
+tesseract-ocr-enm  
+tesseract-ocr-epo  
+tesseract-ocr-equ  
+tesseract-ocr-est  
+tesseract-ocr-eus  
+tesseract-ocr-fao  
+tesseract-ocr-fas  
+tesseract-ocr-fil  
+tesseract-ocr-fin  
+tesseract-ocr-fra  
+tesseract-ocr-frk  
+tesseract-ocr-frm  
+tesseract-ocr-fry  
+tesseract-ocr-gla  
+tesseract-ocr-gle  
+tesseract-ocr-glg  
+tesseract-ocr-grc  
+tesseract-ocr-guj  
+tesseract-ocr-hat  
+tesseract-ocr-heb  
+tesseract-ocr-hin  
+tesseract-ocr-hrv  
+tesseract-ocr-hun  
+tesseract-ocr-hye  
+tesseract-ocr-iku  
+tesseract-ocr-ind  
+tesseract-ocr-isl  
+tesseract-ocr-ita  
+tesseract-ocr-ita_old  
+tesseract-ocr-jav  
+tesseract-ocr-jpn  
+tesseract-ocr-kan  
+tesseract-ocr-kat  
+tesseract-ocr-kat_old  
+tesseract-ocr-kaz  
+tesseract-ocr-khm  
+tesseract-ocr-kir  
+tesseract-ocr-kmr  
+tesseract-ocr-kor  
+tesseract-ocr-kor_vert  
+tesseract-ocr-kur  
+tesseract-ocr-lao  
+tesseract-ocr-lat  
+tesseract-ocr-lav  
+tesseract-ocr-lit  
+tesseract-ocr-ltz  
+tesseract-ocr-mal  
+tesseract-ocr-mar  
+tesseract-ocr-mkd  
+tesseract-ocr-mlt  
+tesseract-ocr-mon  
+tesseract-ocr-mri  
+tesseract-ocr-msa  
+tesseract-ocr-mya  
+tesseract-ocr-nep  
+tesseract-ocr-nld  
+tesseract-ocr-nor  
+tesseract-ocr-oci  
+tesseract-ocr-ori  
+tesseract-ocr-osd  
+tesseract-ocr-pan  
+tesseract-ocr-pol  
+tesseract-ocr-por  
+tesseract-ocr-pus  
+tesseract-ocr-que  
+tesseract-ocr-ron  
+tesseract-ocr-rus  
+tesseract-ocr-san  
+tesseract-ocr-sin  
+tesseract-ocr-slk  
+tesseract-ocr-slk_frak  
+tesseract-ocr-slv  
+tesseract-ocr-snd  
+tesseract-ocr-spa  
+tesseract-ocr-spa_old  
+tesseract-ocr-sqi  
+tesseract-ocr-srp  
+tesseract-ocr-srp_latn  
+tesseract-ocr-sun  
+tesseract-ocr-swa  
+tesseract-ocr-swe  
+tesseract-ocr-syr  
+tesseract-ocr-tam  
+tesseract-ocr-tat  
+tesseract-ocr-tel  
+tesseract-ocr-tgk  
+tesseract-ocr-tgl  
+tesseract-ocr-tha  
+tesseract-ocr-tir  
+tesseract-ocr-ton  
+tesseract-ocr-tur  
+tesseract-ocr-uig  
+tesseract-ocr-ukr  
+tesseract-ocr-urd  
+tesseract-ocr-uzb  
+tesseract-ocr-uzb_cyrl  
+tesseract-ocr-vie  
+tesseract-ocr-yid  
+tesseract-ocr-yor