Skip to content

value1338/rezepti

BranchesTags
 
 

Repository files navigation

Rezepti

Rezepte aus dem Netz — direkt nach Notion oder Mealie.

docker pull ghcr.io/value1338/rezepti:latest
docker run -d --name rezepti -p 3003:3003 \
  -e EXPORT_BACKEND=mealie \
  -e MEALIE_BASE_URL=http://192.168.1.168:3020 \
  -e MEALIE_API_TOKEN=dein-token \
  -e OLLAMA_BASE_URL=http://192.168.1.168:11434 \
  ghcr.io/value1338/rezepti:latest

Dann http://localhost:3003 oeffnen — der Setup-Wizard fuehrt durch die Konfiguration.

Fork von keno303/rezepti — erweitert um Foto-Upload, Mealie-Export, llama.cpp als LLM-Backend und Docker/Unraid-Optimierungen.

Rezepti ist ein selbstgehosteter Webservice, der Rezepte aus URLs und Fotos extrahiert und als strukturierte Eintraege speichert. Einfach einen Link einfuegen oder ein Foto hochladen — Rezepti erledigt den Rest. Alle Rezepte werden auf Deutsch ausgegeben.

Aenderungen gegenueber dem Original

# Aenderung Details
1 Foto-Upload Handgeschriebene/gedruckte Rezepte abfotografieren, Vision-LLM extrahiert das Rezept
2 Mealie-Export Neben Notion auch Export an selbstgehostete Mealie v1 Server
3 llama.cpp Backend Vollstaendige Alternative zu Ollama — ein Modell (z.B. Qwen3VL-8B) fuer Text + Vision
4 Setup-Wizard Schritt-fuer-Schritt Einrichtung unter /setup statt manueller .env-Konfiguration
5 Settings-Modal Einstellungen jederzeit aenderbar direkt in der Hauptansicht (Zahnrad-Icon)
6 All-in-One Docker ffmpeg, yt-dlp und whisper-cpp (CUDA + CPU-Fallback, large-v3-turbo) im Image — nur Ollama oder llama.cpp laeuft extern. GPU optional via --gpus all.
7 Robustheit Optionale Felder (emoji, calories, servings) mit Zod-Defaults — kein Absturz wenn llama.cpp Felder wegglaesst

Funktionsweise

URL / Foto  →  Klassifizierung  →  Inhalte abrufen  →  Rezept extrahieren  →  Notion / Mealie

Extraktionspfade

Prioritaet Methode Beschreibung
1 schema.org/Recipe JSON-LD-Parsing (schnellster Pfad, nur Web)
2 Text → LLM Untertitel, Seitentext oder Beschreibung
3 Audio → Whisper → LLM Audiodatei transkribieren, dann extrahieren
4 Bild → Vision-LLM Bild mit Vision-Modell analysieren
5 Foto-Upload Handgeschriebene oder gedruckte Rezepte abfotografieren

Unterstuetzte Quellen

  • YouTube — Untertitel, Audio-Transkription oder Thumbnails
  • Instagram — Reels und Posts
  • TikTok — Videos
  • Web — Beliebige Rezept-Webseiten (schema.org bevorzugt)
  • Foto — Direkt-Upload von Rezeptfotos (z.B. Omas Rezepte)

Export-Ziele

  • Notion — Rezepte als strukturierte Seiten in einer Notion-Datenbank
  • Mealie — Rezepte an einen selbstgehosteten Mealie-Server (v1)

LLM-Backend: Ollama oder llama.cpp

Rezepti unterstuetzt zwei LLM-Backends. Du waehlst beim Setup oder in den Einstellungen.

Option A: Ollama (Standard)

Ollama nutzt separate Modelle fuer Text und Vision.

Modelle herunterladen (auf dem Ollama-Host ausfuehren):

# Textextraktion — eines davon auswaehlen:
ollama pull llama3.2:3b       # Klein, schnell (~2 GB)
ollama pull qwen3:4b          # Empfohlen, gut auf Deutsch (~2.6 GB)
ollama pull llama3.1:8b       # Groesser, besser (~5 GB)

# Vision (fuer Foto-Upload) — eines davon auswaehlen:
ollama pull llava:7b           # Standard (~4.5 GB)
ollama pull minicpm-v:8b       # Gut fuer handschriftliche Texte (~5 GB)
ollama pull llava-llama3:8b    # Alternative (~5 GB)

Welches Modell ist installiert?

ollama list

⚠️ Hinweis Foto-Upload mit Ollama: Ollama-Vision-Modelle neigen bei Rezeptfotos zum Halluzinieren — sie "erfinden" Zutaten statt den tatsaechlichen Text zu lesen (OCR). Das liegt am Modellverhalten, nicht an der Konfiguration. Auch innerhalb von Unraid-Containern kann der Zugriff auf den Ollama-Host Probleme bereiten.

Fuer Foto-Upload wird Option B (llama.cpp) empfohlen. Qwen3VL-8B ist speziell auf OCR und Texterkennung in Bildern optimiert und liefert zuverlassig korrekte Ergebnisse.

Variable Standard Beschreibung
OLLAMA_BASE_URL http://localhost:11434 Ollama Server-URL
OLLAMA_TEXT_MODEL llama3.2:3b Modell fuer Textextraktion
OLLAMA_VISION_MODEL llava:7b Modell fuer Bilderkennung

Option B: llama.cpp

llama.cpp nutzt ein einzelnes Modell (z.B. Qwen3VL-8B) fuer Text und Vision ueber eine OpenAI-kompatible API.

# Beispiel: llama.cpp Server starten
./llama-server -m Qwen3VL-8B-Instruct-Q8_0.gguf --port 8003
Variable Standard Beschreibung
LLAMACPP_BASE_URL — llama.cpp Server-URL (z.B. http://192.168.1.168:8003)
LLAMACPP_VISION_MODEL Qwen3VL-8B-Instruct-Q8_0.gguf Modellname
LLM_PROVIDER auto ollama oder llamacpp (auto = llamacpp wenn URL gesetzt)

Installation

Docker auf Unraid

Container in Unraid erstellen (Add Container):

Feld Wert
Repository ghcr.io/value1338/rezepti:latest
Network Type Bridge
Host Port 3003
Container Port 3003
Extra Parameters --gpus all (nur mit NVIDIA-Plugin)

Variablen hinzufuegen (Add Variable):

Name Beispielwert Beschreibung
NVIDIA_VISIBLE_DEVICES all GPU fuer Whisper freigeben
EXPORT_BACKEND mealie oder notion Export-Ziel
MEALIE_BASE_URL http://192.168.1.168:3020 Mealie Server
MEALIE_API_TOKEN dein-token Token aus Mealie Profil
OLLAMA_BASE_URL http://192.168.1.168:11434 Ollama Server
OLLAMA_TEXT_MODEL qwen3:4b Textextraktion
LLAMACPP_BASE_URL http://192.168.1.168:8003 llama.cpp Server
LLAMACPP_VISION_MODEL Qwen3VL-8B-Instruct-Q8_0.gguf Vision-Modell
LLM_PROVIDER ollama oder llamacpp LLM-Backend

Hinweis: Die .env-Datei wird nicht ins Image kopiert — alle Werte muessen als Container-Variablen gesetzt werden.

Docker (weitere Optionen)

# Mit GPU (NVIDIA Container Toolkit erforderlich)
docker run -d --name rezepti --gpus all -p 3003:3003 \
  -e OLLAMA_BASE_URL=http://192.168.1.168:11434 \
  ghcr.io/value1338/rezepti:latest

# Nur eine bestimmte GPU (per UUID)
docker run -d --name rezepti \
  --gpus "device=GPU-21f961fd-e414-a9ed-c799-77876d7b8438" \
  -p 3003:3003 \
  ghcr.io/value1338/rezepti:latest

Whisper GPU-Steuerung:

Option / Variable Beschreibung
--gpus all Alle GPUs fuer Whisper
--gpus "device=GPU-UUID" Nur diese GPU
NVIDIA_VISIBLE_DEVICES=all Alle GPUs (benoetigt --gpus all)
NVIDIA_VISIBLE_DEVICES=GPU-UUID Nur diese GPU filtern

Selbst bauen (nur noetig bei Code-Aenderungen):

docker build -t rezepti .

Manuell (ohne Docker)

Voraussetzungen: Node.js v20+, ffmpeg, yt-dlp, whisper-cpp (optional), Ollama oder llama.cpp

git clone https://github.com/value1338/rezepti.git
cd rezepti
npm install
cp .env.example .env   # Werte eintragen
npm run dev             # Entwicklung mit Hot Reload
npm start               # Produktion

Setup

Beim ersten Start leitet Rezepti automatisch auf /setup weiter. Dort waehlst du in drei Schritten:

  1. Export-Ziel — Notion oder Mealie + Zugangsdaten
  2. LLM-Backend — Ollama oder llama.cpp + Server-URL
  3. Zusammenfassung — Pruefen und speichern

Spaeter aenderbar ueber das Zahnrad-Icon in der Hauptansicht.

API

GET /api/extract?url=<URL>

Streamt den Fortschritt via Server-Sent Events (SSE).

Events: classifying → fetching → transcribing → extracting → exporting → done

curl -N "http://localhost:3003/api/extract?url=https://example.com/recipe"

POST /api/extract-image

Foto-Upload (FormData mit Feld image). Streamt SSE.

curl -N -F "image=@foto.jpg" "http://localhost:3003/api/extract-image"

GET /api/health

Health-Check — prueft Server, Ollama-Verbindung und Export-Konfiguration.

GET /api/setup/status

Aktuelle Konfiguration (ohne Secrets).

POST /api/setup

Konfiguration aktualisieren (schreibt .env).

Tech-Stack

Lizenz

MIT

English

Fork of keno303/rezepti — extended with photo upload, Mealie export, llama.cpp as LLM backend, and Docker/Unraid optimizations.

Extract recipes from the web — straight to Notion or Mealie.

docker pull ghcr.io/value1338/rezepti:latest
docker run -d --name rezepti -p 3003:3003 \
  -e EXPORT_BACKEND=mealie \
  -e MEALIE_BASE_URL=http://192.168.1.168:3020 \
  -e MEALIE_API_TOKEN=your-token \
  -e OLLAMA_BASE_URL=http://192.168.1.168:11434 \
  ghcr.io/value1338/rezepti:latest

Open http://localhost:3003 — the setup wizard guides you through configuration.

Rezepti is a self-hosted web service that extracts recipes from URLs and photos, saving them as structured entries. Just paste a link or upload a photo — Rezepti does the rest. All recipes are output in German.

Changes vs. the original

# Change Details
1 Photo upload Photograph handwritten/printed recipes, extracted by a vision LLM
2 Mealie export Export to self-hosted Mealie v1 in addition to Notion
3 llama.cpp backend Full alternative to Ollama — one model (e.g. Qwen3VL-8B) for text + vision
4 Setup wizard Step-by-step setup at /setup instead of manual .env editing
5 Settings modal Change settings anytime from the main view (gear icon)
6 All-in-One Docker ffmpeg, yt-dlp and whisper-cpp (CUDA + CPU fallback, large-v3-turbo) in the image — only Ollama or llama.cpp runs externally. GPU optional via --gpus all.
7 Robustness Optional fields (emoji, calories, servings) with Zod defaults — no crash when llama.cpp omits fields

Features

  • Multiple sources: YouTube, Instagram, TikTok, any website, photo upload
  • Two export targets: Notion database or Mealie v1 server
  • Two LLM backends: Ollama (separate text + vision models) or llama.cpp (single model via OpenAI-compatible API)
  • Audio transcription: Built-in whisper-cpp (CUDA + CPU fallback) for video recipes without subtitles
  • Docker-ready: Image includes ffmpeg, yt-dlp, whisper-cpp with large-v3-turbo. Add --gpus all for GPU acceleration.

LLM Backend

Ollama (default) llama.cpp
Models Separate text + vision Single model for both
Setup ollama pull qwen3:4b && ollama pull minicpm-v:8b (or any text+vision model) Run llama-server with a vision model
Config OLLAMA_BASE_URL LLAMACPP_BASE_URL + LLAMACPP_VISION_MODEL
Switch LLM_PROVIDER=ollama LLM_PROVIDER=llamacpp

⚠️ Photo upload with Ollama: Ollama vision models tend to hallucinate on recipe photos — they invent ingredients instead of reading the actual text (OCR). This is a model behavior issue, not a configuration problem. Additionally, accessing the Ollama host from within a container (e.g. Unraid) can cause connectivity issues.

llama.cpp (Option B) is recommended for photo upload. Qwen3VL-8B is specifically optimized for OCR and text recognition in images.

API

Endpoint Method Description
/api/extract?url=<URL> GET Extract recipe from URL (SSE stream)
/api/extract-image POST Extract recipe from photo upload (SSE stream)
/api/health GET Health check
/api/setup/status GET Current configuration
/api/setup POST Update configuration

License

MIT

About

TypeScript web service that extracts recipes from URLs (YouTube, Instagram, TikTok, web pages) and exports them to Notion

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • HTML 71.2%
  • TypeScript 28.8%