OCRエンジン

役割

画像内テキスト抽出とインデックス化

エンジン

ndlocr-lite（国立国会図書館製、日本語特化）

• レイアウト解析: DEIMv2
• 文字認識: PARSeq
• フォーマット検出: 拡張子ベース

選定理由: PaddleOCR/EasyOCRと比較して日本語テキストの精度が大幅に高い。

処理パイプライン

画像アップロード → Apalis ジョブキューに OcrJob を積む → ワーカーがストレージからダウンロード → ndlocr-lite で抽出 → PostgreSQL ocr_text カラムに保存

スケーリング

Apalis + Redis バックエンドでワーカーの並行数を制御（デフォルト: concurrency=2）。 Redis は Valkey 互換のため Valkey での運用も可。

対応 MIME タイプ

• image/jpeg, image/jpg
• image/png
• image/tiff
• image/bmp
• image/webp

（GIF は ndlocr-lite の対応外のため除外）

タイムアウト

120 秒（超過時は Python プロセスを SIGKILL）