MinerU/zhch/universal_doc_parser/config/bank_statement_v2.yaml

# 银行交易流水场景配置 v2
# 支持完整的处理流程：PDF分类 → 方向识别 → Layout检测 → OCR/VLM并行处理 → 坐标匹配

scene_name: "bank_statement"
description: "银行交易流水、对账单等场景 - 增强版"

# ============================================================
# 输入配置
# ============================================================
input:
  supported_formats: [".pdf", ".png", ".jpg", ".jpeg", ".bmp", ".tiff"]
  dpi: 200  # PDF转图片的DPI

# ============================================================
# 预处理配置（方向识别）
# ============================================================
preprocessor:
  module: "mineru"
  orientation_classifier:
    enabled: true  # 扫描件自动开启，数字PDF自动跳过
    model_name: "paddle_orientation_classification"
    model_dir: null  # 使用默认路径
  unwarping:
    enabled: false  # 图像矫正（可选）

# ============================================================
# 版式检测配置
# ============================================================
layout_detection:
  module: "mineru"
  model_name: "layout"
  model_dir: null  # 使用默认路径，自动下载 doclayout_yolo_docstructbench_imgsz1280_2501.pt
  device: "cpu"  # 可选: "cpu", "cuda", "mps"
  # batch_size: 4
  # conf: 0.25
  # iou: 0.45

# ============================================================
# VL识别配置（表格、公式）
# ============================================================
vl_recognition:
  # 可选: "mineru" (MinerU VLM) 或 "paddle" (PaddleOCR-VL)
  module: "mineru"
  
  # 后端配置
  backend: "http-client"  # 可选: "http-client", "vllm-engine", "transformers"
  server_url: "http://10.192.72.11:8121"  # MinerU VLM 服务地址
  
  # 图片尺寸限制（避免序列长度超限）
  max_image_size: 4096
  resize_mode: 'max'  # 'max' 保持宽高比, 'fixed' 固定尺寸
  
  device: "cpu"
  batch_size: 1
  
  model_params:
    max_concurrency: 10
    http_timeout: 600
  
  # 表格识别特定配置
  table_recognition:
    return_cells_coordinate: true  # 返回单元格坐标
    bank_statement_mode: true      # 银行流水优化模式

# ============================================================
# OCR识别配置（文本检测+识别）
# ============================================================
ocr_recognition:
  module: "mineru"
  language: "ch"  # 语言: ch, ch_lite, en, japan 等
  det_threshold: 0.3  # 检测阈值
  unclip_ratio: 1.8   # 文本框扩展比例
  batch_size: 8
  device: "cpu"

# ============================================================
# 输出配置
# ============================================================
output:
  # 基础输出
  save_json: true           # 保存 middle.json（MinerU标准格式）
  save_markdown: true       # 保存 Markdown 文件
  save_html: true           # 保存表格 HTML 文件
  
  # Debug 输出（通过命令行 --debug 开启）
  save_layout_image: false  # 保存 layout 可视化图片
  save_ocr_image: false     # 保存 OCR 可视化图片
  draw_type_label: true     # 在可视化图片上标注类型
  draw_bbox_number: true    # 在可视化图片上标注序号
  
  # 增强输出
  save_enhanced_json: true  # 保存增强版 JSON（包含单元格坐标）
  coordinate_precision: 2   # 坐标精度（小数位数）

# ============================================================
# 场景特定配置
# ============================================================
scene_config:
  bank_statement:
    # 表格结构特征
    table_structure: "single_column_list"  # 单栏列表形式
    merged_cells: false                     # 无合并单元格
    
    # 预期列名（用于验证）
    expected_columns: ["日期", "摘要", "收入", "支出", "余额"]
    
    # 验证规则
    amount_validation: true   # 金额格式验证
    date_validation: true     # 日期格式验证
    balance_validation: true  # 余额一致性验证
    
  processing_rules:
    # 表格处理规则
    table_rules:
      - detect_table_type: ["wired", "wireless"]  # 检测有线/无线表格
      - extract_header_automatically: true         # 自动提取表头
      - validate_amount_format: true               # 验证金额格式
      - merge_continuation_rows: true              # 合并续行
      
    # OCR后处理规则
    ocr_rules:
      - filter_low_confidence: 0.7      # 过滤低置信度结果
      - merge_adjacent_text: true       # 合并相邻文本
      - number_format_normalization: true  # 数字格式标准化

# ============================================================
# 跨页表格合并配置
# ============================================================
cross_page_merge:
  enabled: true
  # 判断表格是否跨页的条件
  conditions:
    - table_at_page_bottom: true    # 表格位于页面底部
    - table_at_page_top: true       # 下一页表格位于顶部
    - similar_column_count: true    # 列数相似
    - header_match: false           # 表头匹配（跨页表格通常没有重复表头）