oci_tips/23AI/app/doc-embedding-service

Document Embedding Service

Serviço web para upload de documentos (Word, PDF, imagens escaneadas), geração de chunks de texto e embeddings, com armazenamento no Oracle Autonomous Database (ADW 23AI).

Características

• Autenticação OCI: Suporte completo para OCI Signer com configuração via arquivo
• Autenticação HTTP Dual: Suporte para X-API-Key header e Authorization: Bearer token
• Processamento de Documentos:
  • PDF (texto nativo)
  • Word (.docx)
  • Imagens escaneadas (OCR via Tesseract)
• Chunking Inteligente: Divisão de texto em chunks com sobreposição configurável
• Embeddings: Geração de vetores usando Sentence Transformers
• Banco de Dados ADW 23AI: Armazenamento estruturado com criação automática de tabelas
• API RESTful: Endpoints para upload, consulta e busca semântica

Arquitetura

doc-embedding-service/
├── app.py                 # Aplicação Flask principal
├── auth.py                # Módulo de autenticação OCI e HTTP
├── document_processor.py  # Processamento de documentos e chunking
├── embedding_service.py   # Geração de embeddings
├── database.py            # Integração com ADW 23AI
├── config/
│   └── credentials.conf   # Configuração OCI
├── uploads/               # Diretório temporário para uploads
├── logs/                  # Logs da aplicação
├── requirements.txt       # Dependências Python
└── .env                   # Variáveis de ambiente

Instalação

1. Instalar dependências do sistema

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install -y tesseract-ocr libtesseract-dev poppler-utils

# Para Oracle Instant Client (necessário para oracledb)
# Baixe e instale de: https://www.oracle.com/database/technologies/instant-client/downloads.html

2. Instalar dependências Python

pip install -r requirements.txt

3. Configurar credenciais OCI

cp config/credentials.conf.example config/credentials.conf
# Edite config/credentials.conf com suas credenciais OCI

4. Configurar variáveis de ambiente

cp .env.example .env
# Edite .env com suas configurações

Configuração

Variáveis de Ambiente

• API_KEY: Chave de API para autenticação HTTP
• DB_USER: Usuário do banco de dados
• DB_PASSWORD: Senha do banco de dados
• DB_DSN: DSN de conexão (formato: (description=...)
• EMBEDDING_MODEL: Modelo de embedding (padrão: sentence-transformers/all-MiniLM-L6-v2)
• CHUNK_SIZE: Tamanho dos chunks em caracteres (padrão: 500)
• CHUNK_OVERLAP: Sobreposição entre chunks (padrão: 50)

Estrutura do Banco de Dados

O serviço cria automaticamente as seguintes tabelas no ADW 23AI:

Tabela DOCUMENTS

CREATE TABLE DOCUMENTS (
    id VARCHAR2(36) PRIMARY KEY,
    filename VARCHAR2(500) NOT NULL,
    file_type VARCHAR2(50) NOT NULL,
    file_size NUMBER NOT NULL,
    upload_date TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    content_hash VARCHAR2(64),
    metadata CLOB,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)

Tabela DOCUMENT_CHUNKS

CREATE TABLE DOCUMENT_CHUNKS (
    id VARCHAR2(36) PRIMARY KEY,
    document_id VARCHAR2(36) NOT NULL,
    chunk_index NUMBER NOT NULL,
    chunk_text CLOB NOT NULL,
    chunk_size NUMBER NOT NULL,
    embedding VECTOR(384, FLOAT32),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    FOREIGN KEY (document_id) REFERENCES DOCUMENTS(id) ON DELETE CASCADE
)

Uso

Iniciar o serviço

python app.py

O serviço estará disponível em http://localhost:8000

Endpoints da API

1. Health Check

GET /

Resposta:

{
  "status": "ok",
  "version": "1.0.0",
  "service": "document-embedding-service"
}

2. Upload de Documento

POST /api/v1/documents/upload
Headers:
  X-API-Key: your-api-key
  # ou
  Authorization: Bearer your-api-key
Body (multipart/form-data):
  file: <arquivo>
  metadata: {"description": "Documento de exemplo"} (opcional)

Resposta:

{
  "document_id": "uuid-do-documento",
  "filename": "exemplo.pdf",
  "file_type": "application/pdf",
  "file_size": 1024000,
  "chunks_created": 15,
  "processing_time": 2.5
}

3. Listar Documentos

GET /api/v1/documents
Headers:
  X-API-Key: your-api-key

Resposta:

{
  "documents": [
    {
      "id": "uuid-1",
      "filename": "documento1.pdf",
      "file_type": "application/pdf",
      "upload_date": "2024-12-04T10:30:00",
      "chunks_count": 15
    }
  ],
  "total": 1
}

4. Buscar Documento por ID

GET /api/v1/documents/{document_id}
Headers:
  X-API-Key: your-api-key

5. Busca Semântica

POST /api/v1/search
Headers:
  X-API-Key: your-api-key
Body:
{
  "query": "texto de busca",
  "top_k": 5,
  "threshold": 0.7
}

Resposta:

{
  "results": [
    {
      "document_id": "uuid-1",
      "chunk_id": "chunk-uuid-1",
      "chunk_text": "Texto do chunk...",
      "similarity": 0.92,
      "document_filename": "documento1.pdf"
    }
  ],
  "query": "texto de busca",
  "total_results": 5
}

6. Deletar Documento

DELETE /api/v1/documents/{document_id}
Headers:
  X-API-Key: your-api-key

Autenticação

O serviço suporta dois métodos de autenticação HTTP:

1. X-API-Key Header:

   curl -H "X-API-Key: your-api-key" http://localhost:8000/api/v1/documents
   

2. Authorization Bearer Token:

   curl -H "Authorization: Bearer your-api-key" http://localhost:8000/api/v1/documents
   

Formatos Suportados

• PDF: Extração de texto nativo
• Word (.docx): Extração de texto de documentos Word
• Imagens (PNG, JPG, TIFF): OCR via Tesseract para documentos escaneados

Desenvolvimento

Estrutura de Módulos

• auth.py: Gerenciamento de autenticação OCI e validação de API keys
• document_processor.py: Extração de texto e chunking de documentos
• embedding_service.py: Geração de embeddings vetoriais
• database.py: Operações de banco de dados e gerenciamento de schema
• app.py: Aplicação Flask e definição de rotas

Modo de Teste

Para executar em modo de teste (sem OCI):

export TEST_MODE=true
python app.py

Segurança

• Autenticação obrigatória em todos os endpoints (exceto health check)
• Comparação de API keys usando hmac.compare_digest para prevenir timing attacks
• Validação de tipos de arquivo no upload
• Limite de tamanho de arquivo configurável
• Sanitização de nomes de arquivo

Logs

Logs são armazenados em logs/app.log com rotação automática.

Licença

Proprietário - Uso interno apenas

Suporte

Para questões e suporte, entre em contato com a equipe de desenvolvimento.