AutoVel Extract este platforma ta de încredere pentru transformarea automată a datelor nestructurate (pagini web, documente PDF sau imagini) în date curate și gata de utilizare (JSON, CSV, Excel).

Versiunea v1.7 aduce îmbunătățiri majore de stabilitate, eficiență și un sistem robust de procesare.

1. Cum funcționează produsul?

Procesul este simplu: trimiți un URL sau încarci un fișier, iar sistemul extrage automat informațiile de care ai nevoie.

• Website-uri: Extragere directă din HTML și date structurate (JSON-LD).
• PDF-uri cu text: Citire rapidă a stratului de text și structurare în tabele.
• PDF-uri scanate & Imagini: Motor OCR integrat (Tesseract ron+eng) pentru extragerea textului din documente scanate.
• Auto Detect: Platforma detectează singură tipul de conținut și alege cel mai bun pipeline de extracție.

Sistemul de credite:

• URL: 1 credit
• Imagine: 2 credite
• PDF: 3 credite

2. Performanță și Stabilitate în v1.7

Pentru a asigura o experiență fluidă și fără blocaje, arhitectura platformei a fost optimizată cu o serie de măsuri critice:

• Prelucrare sigură (Atomic Claims): Folosirea mecanismului FOR UPDATE SKIP LOCKED garantează că joburile sunt preluate eficient și corect de worker.
• Recuperare automată (Stale Job Reclaim): În cazul unui eveniment neprevăzut sau al unui restart, joburile rămase blocate în starea running revin automat la starea pending pentru a nu bloca resursele utilizatorului.
• Protecție și limite inteligente:
  • Limită de mărire pentru descărcarea paginilor HTML (cap de 5 MB) pentru a preveni consumul excesiv de memorie.
  • Limitare strictă pentru OCR (maximum 10 pagini per document, DPI 200 și timeout de siguranță de 120 de secunde pe proces).
• Gestiunea creditelor: Taxare atomică, cu sistem de rambursare (refund) automatizat în caz de eșec.

3. Ce urmează în dezvoltare (Roadmap)

Pentru a susține un volum masiv de trafic și procesări complexe de tip PDF/OCR, următoarele actualizări prioritare includ:

• Implementarea de rate-limiting per cont sau adresă IP pentru protecție împotriva abuzurilor.
• Setarea unui wall-clock timeout global pentru joburi.
• Scalarea resurselor de memorie dedicate pentru workerii de OCR.