feat: Add batch processing tools for PDF and OCR results

- Introduced `batch_merge_results.py` for merging OCR results from various processors, supporting logging and configuration management.
- Added `batch_process_pdf.py` for batch processing of PDF files with multiple processors, including virtual environment management and logging.
- Created `processor_configs.yaml` for defining processor configurations and their parameters.
- Included example PDF list and comprehensive README documentation for usage instructions and features.
- Enhanced logging capabilities for better tracking of processing results and errors.

ocr_tools/ocr_batch/README.md

@@ -0,0 +1,78 @@
+# batch_process_pdf.py 使用说明
+
+**位置**: `ocr_platform/ocr_tools/ocr_batch/`
+
+**处理器配置文件**: `processor_configs.yaml`
+
+## 功能概述
+### ✅ 5. 日志输出
+- 显示使用的虚拟环境
+- 在 dry-run 模式下显示完整命令
+
+## 使用示例
+
+```bash
+# 1. 使用 DotsOCR（自动切换到 py312 环境）
+python batch_process_pdf.py -p dotsocr_vllm -f pdf_list.txt
+
+# 2. 使用 MinerU（自动切换到 mineru2 环境）
+python batch_process_pdf.py -p mineru_vllm -f pdf_list.txt
+
+# 3. 使用 PaddleOCR（自动切换到 paddle_env）
+python batch_process_pdf.py -p paddleocr_vl_single_process -f pdf_list.txt
+
+# 4. 模拟运行查看完整命令
+python batch_process_pdf.py -p dotsocr_vllm -f pdf_list.txt --dry-run -v
+
+# 5. 覆盖虚拟环境
+python batch_process_pdf.py -p dotsocr_vllm -f pdf_list.txt \
+    --venv "conda activate custom_env"
+
+# 6. 手动指定脚本和虚拟环境
+python batch_process_pdf.py \
+    -s /path/to/script.py \
+    --venv "conda activate myenv" \
+    -f pdf_list.txt
+```
+
+## 实际执行的命令示例
+
+### DotsOCR:
+```bash
+conda activate py312 && python /path/to/dotsocr_vllm_multthreads.py \
+    --input_file /path/to/file.pdf \
+    --output_dir /path/to/output \
+    --ip=10.192.72.11 --port=8101 --dpi=200
+```
+
+### MinerU:
+```bash
+conda activate mineru2 && python /path/to/mineru2_vllm_multthreads.py \
+    --input_file /path/to/file.pdf \
+    --output_dir /path/to/output \
+    --server_url=http://10.192.72.11:8121
+```
+
+### PaddleOCR-VL:
+```bash
+source /path/to/paddle_env/bin/activate && python /path/to/ocr_platform/ocr_tools/paddle_vl_tool/main.py \
+    --input /path/to/file.pdf \
+    --output_dir /path/to/output \
+    --pipeline=/path/to/config.yaml
+```
+
+### PP-StructureV3:
+```bash
+source /path/to/paddle_env/bin/activate && python /path/to/ocr_platform/ocr_tools/ppstructure_tool/main.py \
+    --input /path/to/file.pdf \
+    --output_dir /path/to/output \
+    --pipeline=/path/to/config.yaml
+```
+
+### PP-StructureV3 API Client:
+```bash
+source /path/to/paddle_env/bin/activate && python /path/to/ocr_platform/ocr_tools/ppstructure_tool/api_client.py \
+    --input /path/to/file.pdf \
+    --output_dir /path/to/output \
+    --api_url=http://10.192.72.11:8111/layout-parsing
+```

ocr_tools/ocr_batch/batch_merge_results.py

@@ -0,0 +1,736 @@
+#!/usr/bin/env python3
+"""
+批量合并 OCR 结果
+自动读取配置文件，对所有 VL 处理器的输出进行 bbox 合并
+支持执行器输出日志重定向
+"""
+
+import os
+import sys
+import yaml
+import argparse
+import subprocess
+from pathlib import Path
+from datetime import datetime
+from typing import Dict, List, Tuple, Optional, Any
+from dataclasses import dataclass
+import logging
+from tqdm import tqdm
+
+# 添加 ocr_platform 根目录到 Python 路径（用于导入 ocr_merger）
+ocr_platform_root = Path(__file__).parents[2]  # ocr_batch -> ocr_tools -> ocr_platform
+if str(ocr_platform_root) not in sys.path:
+    sys.path.insert(0, str(ocr_platform_root))
+
+
+@dataclass
+class MergeTask:
+    """合并任务"""
+    processor_name: str
+    vl_result_dir: Path
+    paddle_result_dir: Path
+    output_dir: Path
+    merger_script: str
+    description: str
+    log_file: str = ""  # 🎯 新增：日志文件路径
+
+
+class BatchMerger:
+    """批量合并器"""
+    
+    # VL 处理器类型映射到合并脚本
+    MERGER_SCRIPTS = {
+        'paddleocr_vl': 'merge_paddleocr_vl_paddleocr.py',
+        'mineru': 'merge_mineru_paddle_ocr.py',
+        'dotsocr': 'merge_dotsocr_paddleocr.py'
+    }
+    
+    def __init__(self, config_file: str, base_dir: str = None):
+        """
+        Args:
+            config_file: processor_configs.yaml 路径
+            base_dir: PDF 基础目录，覆盖配置文件中的设置
+        """
+        self.config_file = Path(config_file)
+        self.config = self._load_config()
+        self.base_dir = Path(base_dir) if base_dir else Path(self.config['global']['base_dir'])
+        
+        # 🎯 日志基础目录
+        self.log_base_dir = self.base_dir / self.config['global'].get('log_dir', 'logs')
+        
+        # 设置日志
+        self.logger = self._setup_logger()
+        
+        # merger 脚本目录
+        # 从 ocr_batch 目录计算路径：ocr_batch -> ocr_tools -> ocr_platform
+        ocr_platform_root = Path(__file__).parents[2]  # ocr_batch -> ocr_tools -> ocr_platform
+        self.merger_dir = ocr_platform_root / 'ocr_tools' / 'ocr_merger'
+        
+        # 🎯 统计信息
+        self.merge_results: List[Dict[str, Any]] = []
+    
+    def _load_config(self) -> Dict:
+        """加载配置文件"""
+        with open(self.config_file, 'r', encoding='utf-8') as f:
+            return yaml.safe_load(f)
+    
+    def _setup_logger(self) -> logging.Logger:
+        """设置日志"""
+        logger = logging.getLogger('BatchMerger')
+        logger.setLevel(logging.INFO)
+        
+        if not logger.handlers:
+            console_handler = logging.StreamHandler()
+            console_handler.setLevel(logging.INFO)
+            formatter = logging.Formatter(
+                '%(asctime)s - %(levelname)s - %(message)s',
+                datefmt='%Y-%m-%d %H:%M:%S'
+            )
+            console_handler.setFormatter(formatter)
+            logger.addHandler(console_handler)
+        
+        return logger
+    
+    def _detect_processor_type(self, processor_name: str) -> str:
+        """
+        检测处理器类型
+        
+        Returns:
+            'paddleocr_vl', 'mineru', 'dotsocr', 'ppstructure' 等
+        """
+        name_lower = processor_name.lower()
+        
+        if 'paddleocr_vl' in name_lower or 'paddleocr-vl' in name_lower:
+            return 'paddleocr_vl'
+        elif 'mineru' in name_lower:
+            return 'mineru'
+        elif 'dotsocr' in name_lower or 'dots' in name_lower:
+            return 'dotsocr'
+        elif 'ppstructure' in name_lower or 'pp-structure' in name_lower:
+            return 'ppstructure'
+        else:
+            return 'unknown'
+    
+    def _get_merger_script(self, processor_type: str) -> str:
+        """获取合并脚本路径"""
+        script_name = self.MERGER_SCRIPTS.get(processor_type)
+        if not script_name:
+            return None
+        
+        script_path = self.merger_dir / script_name
+        return str(script_path) if script_path.exists() else None
+    
+    def _find_paddle_result_dir(self, pdf_dir: Path) -> Path:
+        """
+        查找对应的 PaddleOCR 结果目录
+        
+        优先级:
+        1. ppstructurev3_cpu_results (本地 CPU)
+        2. ppstructurev3_results (默认)
+        3. data_PPStructureV3_Results (旧格式)
+        """
+        candidates = [
+            pdf_dir / 'ppstructurev3_client_results',
+            pdf_dir / 'ppstructurev3_single_process_results',
+        ]
+        
+        for candidate in candidates:
+            if candidate.exists():
+                return candidate
+        
+        return None
+    
+    def _get_log_file_path(self, pdf_dir: Path, processor_name: str) -> Path:
+        """
+        🎯 获取合并任务的日志文件路径
+        
+        日志结构:
+        PDF目录/
+        └── logs/
+            └── merge_processor_name/
+                └── PDF名称_merge_YYYYMMDD_HHMMSS.log
+        """
+        # 日志目录
+        log_dir = pdf_dir / 'logs' / f'merge_{processor_name}'
+        log_dir.mkdir(parents=True, exist_ok=True)
+        
+        # 日志文件名
+        timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
+        log_file = log_dir / f"{pdf_dir.name}_merge_{timestamp}.log"
+        
+        return log_file
+    
+    def discover_merge_tasks(
+        self, 
+        pdf_list: List[str] = None,
+        processors: List[str] = None
+    ) -> List[MergeTask]:
+        """
+        自动发现需要合并的任务
+        
+        Args:
+            pdf_list: PDF 文件列表（不含扩展名），如 ['德_内蒙古银行照', ...]
+            processors: 处理器列表，如 ['paddleocr_vl_single_process', ...]
+        
+        Returns:
+            MergeTask 列表
+        """
+        tasks = []
+        
+        # 如果没有指定处理器，扫描所有 VL 类型的处理器
+        if not processors:
+            processors = []
+            for proc_name, proc_config in self.config['processors'].items():
+                proc_type = self._detect_processor_type(proc_name)
+                if proc_type in ['paddleocr_vl', 'mineru', 'dotsocr']:
+                    processors.append(proc_name)
+        
+        # 如果没有指定 PDF 列表，扫描基础目录
+        if not pdf_list:
+            pdf_list = [d.name for d in self.base_dir.iterdir() if d.is_dir()]
+        
+        self.logger.info(f"📂 基础目录: {self.base_dir}")
+        self.logger.info(f"🔍 发现 {len(pdf_list)} 个 PDF 目录")
+        self.logger.info(f"⚙️  发现 {len(processors)} 个 VL 处理器")
+        
+        # 遍历每个 PDF 目录和处理器组合
+        for pdf_name in pdf_list:
+            pdf_dir = self.base_dir / pdf_name
+            
+            if not pdf_dir.exists():
+                self.logger.warning(f"⚠️  目录不存在: {pdf_dir}")
+                continue
+            
+            # 查找 PaddleOCR 结果目录
+            paddle_result_dir = self._find_paddle_result_dir(pdf_dir)
+            
+            if not paddle_result_dir:
+                self.logger.warning(f"⚠️  未找到 PaddleOCR 结果: {pdf_name}")
+                continue
+            
+            # 遍历每个 VL 处理器
+            for proc_name in processors:
+                if proc_name not in self.config['processors']:
+                    self.logger.warning(f"⚠️  处理器不存在: {proc_name}")
+                    continue
+                
+                proc_config = self.config['processors'][proc_name]
+                proc_type = self._detect_processor_type(proc_name)
+                
+                # 获取合并脚本
+                merger_script = self._get_merger_script(proc_type)
+                if not merger_script:
+                    self.logger.warning(f"⚠️  不支持的处理器类型: {proc_name} ({proc_type})")
+                    continue
+                
+                # VL 结果目录
+                vl_output_subdir = proc_config.get('output_subdir', f'{proc_name}_results')
+                vl_result_dir = pdf_dir / vl_output_subdir
+                
+                if not vl_result_dir.exists():
+                    self.logger.debug(f"⏭️  VL 结果不存在: {vl_result_dir}")
+                    continue
+                
+                # 输出目录
+                output_dir = pdf_dir / f"{vl_output_subdir}_cell_bbox"
+                
+                # 🎯 日志文件路径
+                log_file = self._get_log_file_path(pdf_dir, proc_name)
+                
+                # 创建任务
+                task = MergeTask(
+                    processor_name=proc_name,
+                    vl_result_dir=vl_result_dir,
+                    paddle_result_dir=paddle_result_dir,
+                    output_dir=output_dir,
+                    merger_script=merger_script,
+                    description=proc_config.get('description', proc_name),
+                    log_file=str(log_file)  # 🎯 新增
+                )
+                
+                tasks.append(task)
+        
+        return tasks
+    
+    def execute_merge_task(
+        self, 
+        task: MergeTask,
+        window: int = 15,
+        threshold: int = 85,
+        output_type: str = 'both',
+        dry_run: bool = False
+    ) -> Dict[str, Any]:
+        """
+        🎯 执行单个合并任务（支持日志重定向）
+        
+        Args:
+            task: 合并任务
+            window: 查找窗口
+            threshold: 相似度阈值
+            output_type: 输出格式
+            dry_run: 模拟运行
+        
+        Returns:
+            执行结果字典
+        """
+        self.logger.info(f"\n{'='*80}")
+        self.logger.info(f"📄 处理: {task.vl_result_dir.parent.name}")
+        self.logger.info(f"🔧 处理器: {task.description}")
+        self.logger.info(f"📂 VL 结果: {task.vl_result_dir}")
+        self.logger.info(f"📂 PaddleOCR 结果: {task.paddle_result_dir}")
+        self.logger.info(f"📂 输出目录: {task.output_dir}")
+        self.logger.info(f"📄 日志文件: {task.log_file}")
+        self.logger.info(f"{'='*80}")
+        
+        # 构建命令
+        cmd = [
+            sys.executable,  # 当前 Python 解释器
+            task.merger_script,
+            f"--{self._get_vl_arg_name(task.merger_script)}-dir", str(task.vl_result_dir),
+            '--paddle-dir', str(task.paddle_result_dir),
+            '--output-dir', str(task.output_dir),
+            '--output-type', output_type,
+            '--window', str(window),
+            '--threshold', str(threshold)
+        ]
+        
+        if dry_run:
+            self.logger.info(f"[DRY RUN] 命令: {' '.join(cmd)}")
+            return {
+                'task': task,
+                'success': True,
+                'duration': 0,
+                'error': '',
+                'dry_run': True
+            }
+        
+        # 🎯 执行命令并重定向输出到日志文件
+        import time
+        start_time = time.time()
+        
+        try:
+            with open(task.log_file, 'w', encoding='utf-8') as log_f:
+                # 写入日志头
+                log_f.write(f"{'='*80}\n")
+                log_f.write(f"合并任务日志\n")
+                log_f.write(f"{'='*80}\n\n")
+                log_f.write(f"PDF 目录: {task.vl_result_dir.parent}\n")
+                log_f.write(f"处理器: {task.description}\n")
+                log_f.write(f"处理器名称: {task.processor_name}\n")
+                log_f.write(f"VL 结果目录: {task.vl_result_dir}\n")
+                log_f.write(f"PaddleOCR 结果目录: {task.paddle_result_dir}\n")
+                log_f.write(f"输出目录: {task.output_dir}\n")
+                log_f.write(f"合并脚本: {task.merger_script}\n")
+                log_f.write(f"查找窗口: {window}\n")
+                log_f.write(f"相似度阈值: {threshold}\n")
+                log_f.write(f"输出格式: {output_type}\n")
+                log_f.write(f"开始时间: {datetime.now()}\n")
+                log_f.write(f"{'='*80}\n\n")
+                log_f.flush()
+                
+                # 执行命令
+                result = subprocess.run(
+                    cmd,
+                    stdout=log_f,  # 🎯 重定向 stdout
+                    stderr=subprocess.STDOUT,  # 🎯 合并 stderr 到 stdout
+                    text=True,
+                    check=True
+                )
+                
+                # 写入日志尾
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 成功\n")
+                log_f.write(f"{'='*80}\n")
+            
+            duration = time.time() - start_time
+            self.logger.info(f"✅ 合并成功 (耗时: {duration:.2f}秒)")
+            
+            return {
+                'task': task,
+                'success': True,
+                'duration': duration,
+                'error': '',
+                'dry_run': False
+            }
+            
+        except subprocess.CalledProcessError as e:
+            duration = time.time() - start_time
+            error_msg = f"命令执行失败 (退出码: {e.returncode})"
+            
+            # 🎯 在日志文件中追加错误信息
+            with open(task.log_file, 'a', encoding='utf-8') as log_f:
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 失败\n")
+                log_f.write(f"错误: {error_msg}\n")
+                log_f.write(f"{'='*80}\n")
+            
+            self.logger.error(f"❌ 合并失败 (耗时: {duration:.2f}秒)")
+            self.logger.error(f"错误信息: {error_msg}")
+            self.logger.error(f"详细日志: {task.log_file}")
+            
+            return {
+                'task': task,
+                'success': False,
+                'duration': duration,
+                'error': error_msg,
+                'dry_run': False
+            }
+            
+        except Exception as e:
+            duration = time.time() - start_time
+            error_msg = str(e)
+            
+            with open(task.log_file, 'a', encoding='utf-8') as log_f:
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 异常\n")
+                log_f.write(f"错误: {error_msg}\n")
+                log_f.write(f"{'='*80}\n")
+            
+            self.logger.error(f"❌ 合并异常 (耗时: {duration:.2f}秒)")
+            self.logger.error(f"错误信息: {error_msg}")
+            self.logger.error(f"详细日志: {task.log_file}")
+            
+            return {
+                'task': task,
+                'success': False,
+                'duration': duration,
+                'error': error_msg,
+                'dry_run': False
+            }
+    
+    def _get_vl_arg_name(self, merger_script: str) -> str:
+        """获取 VL 参数名称"""
+        script_name = Path(merger_script).stem
+        
+        if 'paddleocr_vl' in script_name:
+            return 'paddleocr-vl'
+        elif 'mineru' in script_name:
+            return 'mineru'
+        elif 'dotsocr' in script_name:
+            return 'dotsocr'
+        else:
+            return 'vl'
+    
+    def _save_summary_log(self, stats: Dict[str, Any]):
+        """🎯 保存汇总日志"""
+        timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
+        summary_log_file = self.log_base_dir / f"merge_batch_summary_{timestamp}.log"
+        
+        # 确保目录存在
+        summary_log_file.parent.mkdir(parents=True, exist_ok=True)
+        
+        with open(summary_log_file, 'w', encoding='utf-8') as f:
+            f.write("OCR 结果批量合并汇总日志\n")
+            f.write("=" * 80 + "\n\n")
+            
+            f.write(f"配置文件: {self.config_file}\n")
+            f.write(f"基础目录: {self.base_dir}\n")
+            f.write(f"日志目录: {self.log_base_dir}\n")
+            f.write(f"开始时间: {datetime.now()}\n")
+            f.write(f"总耗时: {stats['total_duration']:.2f} 秒\n\n")
+            
+            f.write("统计信息:\n")
+            f.write(f"  总任务数: {stats['total']}\n")
+            f.write(f"  成功: {stats['success']}\n")
+            f.write(f"  失败: {stats['failed']}\n\n")
+            
+            if stats['failed_tasks']:
+                f.write("失败的任务:\n")
+                for item in stats['failed_tasks']:
+                    f.write(f"  ✗ {item['pdf_dir']} / {item['processor']}\n")
+                    f.write(f"    错误: {item['error']}\n")
+                    f.write(f"    日志: {item['log']}\n\n")
+            
+            f.write("详细结果:\n")
+            for result in self.merge_results:
+                task = result['task']
+                status = "✓" if result['success'] else "✗"
+                f.write(f"{status} {task.vl_result_dir.parent.name} / {task.processor_name} ({result['duration']:.2f}s)\n")
+                f.write(f"   日志: {task.log_file}\n")
+                if result['error']:
+                    f.write(f"   错误: {result['error']}\n")
+        
+        self.logger.info(f"汇总日志已保存: {summary_log_file}")
+    
+    def batch_merge(
+        self,
+        pdf_list: List[str] = None,
+        processors: List[str] = None,
+        window: int = 15,
+        threshold: int = 85,
+        output_type: str = 'both',
+        dry_run: bool = False
+    ) -> Dict:
+        """
+        批量合并
+        
+        Returns:
+            统计信息字典
+        """
+        # 发现任务
+        tasks = self.discover_merge_tasks(pdf_list, processors)
+        
+        if not tasks:
+            self.logger.warning("⚠️  没有发现任何合并任务")
+            return {
+                'total': 0,
+                'success': 0,
+                'failed': 0,
+                'total_duration': 0,
+                'failed_tasks': []
+            }
+        
+        self.logger.info(f"\n🎯 发现 {len(tasks)} 个合并任务\n")
+        
+        # 显示任务列表
+        for i, task in enumerate(tasks, 1):
+            self.logger.info(f"{i}. {task.vl_result_dir.parent.name} / {task.processor_name}")
+        
+        # 确认执行
+        if not dry_run:
+            confirm = input(f"\n是否继续执行 {len(tasks)} 个合并任务? [Y/n]: ")
+            if confirm.lower() not in ['', 'y', 'yes']:
+                self.logger.info("❌ 已取消")
+                return {
+                    'total': 0,
+                    'success': 0,
+                    'failed': 0,
+                    'total_duration': 0,
+                    'failed_tasks': []
+                }
+        
+        # 执行任务
+        import time
+        batch_start_time = time.time()
+        success_count = 0
+        failed_count = 0
+        
+        with tqdm(total=len(tasks), desc="合并进度", unit="task") as pbar:
+            for task in tasks:
+                result = self.execute_merge_task(
+                    task,
+                    window=window,
+                    threshold=threshold,
+                    output_type=output_type,
+                    dry_run=dry_run
+                )
+                
+                self.merge_results.append(result)
+                
+                if result['success']:
+                    success_count += 1
+                else:
+                    failed_count += 1
+                
+                pbar.update(1)
+                pbar.set_postfix({
+                    'success': success_count,
+                    'failed': failed_count
+                })
+        
+        total_duration = time.time() - batch_start_time
+        
+        # 统计失败任务
+        failed_tasks = [
+            {
+                'pdf_dir': r['task'].vl_result_dir.parent.name,
+                'processor': r['task'].processor_name,
+                'error': r['error'],
+                'log': r['task'].log_file
+            }
+            for r in self.merge_results if not r['success']
+        ]
+        
+        # 统计信息
+        stats = {
+            'total': len(tasks),
+            'success': success_count,
+            'failed': failed_count,
+            'total_duration': total_duration,
+            'failed_tasks': failed_tasks
+        }
+        
+        # 🎯 保存汇总日志
+        self._save_summary_log(stats)
+        
+        # 打印总结
+        self.logger.info(f"\n{'='*80}")
+        self.logger.info("📊 合并完成")
+        self.logger.info(f"  总任务数: {stats['total']}")
+        self.logger.info(f"  ✅ 成功: {stats['success']}")
+        self.logger.info(f"  ❌ 失败: {stats['failed']}")
+        self.logger.info(f"  ⏱️  总耗时: {stats['total_duration']:.2f} 秒")
+        self.logger.info(f"{'='*80}")
+        
+        if failed_tasks:
+            self.logger.info(f"\n失败的任务:")
+            for item in failed_tasks:
+                self.logger.info(f"  ✗ {item['pdf_dir']} / {item['processor']}")
+                self.logger.info(f"    错误: {item['error']}")
+                self.logger.info(f"    日志: {item['log']}")
+        
+        return stats
+
+
+def create_parser() -> argparse.ArgumentParser:
+    """创建命令行参数解析器"""
+    parser = argparse.ArgumentParser(
+        description='批量合并 OCR 结果（VL + PaddleOCR）',
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog="""
+示例用法:
+
+  1. 合并配置文件中所有 VL 处理器的结果:
+     python batch_merge_results.py
+
+  2. 合并指定 PDF 的结果:
+     python batch_merge_results.py -f pdf_list.txt
+
+  3. 合并指定处理器的结果:
+     python batch_merge_results.py -p paddleocr_vl_single_process -p mineru_vllm
+
+  4. 自定义参数:
+     python batch_merge_results.py -w 20 -t 90
+
+  5. 模拟运行（不实际执行）:
+     python batch_merge_results.py --dry-run
+        """
+    )
+    
+    # 配置文件
+    parser.add_argument(
+        '-c', '--config',
+        default='processor_configs.yaml',
+        help='配置文件路径 (默认: processor_configs.yaml)'
+    )
+    
+    # PDF 和处理器
+    parser.add_argument(
+        '-d', '--base-dir',
+        help='PDF 基础目录（覆盖配置文件）'
+    )
+    
+    parser.add_argument(
+        '-f', '--file-list',
+        help='PDF 列表文件（每行一个 PDF 名称，不含扩展名）'
+    )
+    
+    parser.add_argument(
+        '-l', '--pdf-list',
+        nargs='+',
+        help='PDF 名称列表（不含扩展名）'
+    )
+    
+    parser.add_argument(
+        '-p', '--processors',
+        nargs='+',
+        help='处理器列表（不指定则自动检测所有 VL 处理器）'
+    )
+    
+    # 合并参数
+    parser.add_argument(
+        '-w', '--window',
+        type=int,
+        default=15,
+        help='查找窗口大小 (默认: 15)'
+    )
+    
+    parser.add_argument(
+        '-t', '--threshold',
+        type=int,
+        default=85,
+        help='相似度阈值 (默认: 85)'
+    )
+    
+    parser.add_argument(
+        '--output-type',
+        choices=['json', 'markdown', 'both'],
+        default='both',
+        help='输出格式 (默认: both)'
+    )
+    
+    # 工具选项
+    parser.add_argument(
+        '--dry-run',
+        action='store_true',
+        help='模拟运行，不实际执行'
+    )
+    
+    parser.add_argument(
+        '-v', '--verbose',
+        action='store_true',
+        help='详细输出'
+    )
+    
+    return parser
+
+
+def main():
+    """主函数"""
+    parser = create_parser()
+    args = parser.parse_args()
+    
+    # 设置日志级别
+    if args.verbose:
+        logging.getLogger().setLevel(logging.DEBUG)
+    
+    # 读取 PDF 列表
+    pdf_list = None
+    if args.file_list:
+        pdf_list = []
+        with open(args.file_list, 'r', encoding='utf-8') as f:
+            for line in f:
+                line = line.strip()
+                if line and not line.startswith('#'):
+                    # 移除 .pdf 扩展名
+                    pdf_name = line.replace('.pdf', '')
+                    pdf_list.append(pdf_name)
+    elif args.pdf_list:
+        pdf_list = [p.replace('.pdf', '') for p in args.pdf_list]
+    
+    # 创建批量合并器
+    merger = BatchMerger(
+        config_file=args.config,
+        base_dir=args.base_dir
+    )
+    
+    # 执行批量合并
+    stats = merger.batch_merge(
+        pdf_list=pdf_list,
+        processors=args.processors,
+        window=args.window,
+        threshold=args.threshold,
+        output_type=args.output_type,
+        dry_run=args.dry_run
+    )
+    
+    return 0 if stats['failed'] == 0 else 1
+
+
+if __name__ == '__main__':
+    print("🚀 启动批量OCR bbox 合并程序...")
+    
+    import sys
+    
+    if len(sys.argv) == 1:
+        # 如果没有命令行参数，使用默认配置运行
+        print("ℹ️  未提供命令行参数，使用默认配置运行...")
+        
+        # 默认配置
+        default_config = {
+            "file-list": "pdf_list.txt",
+        }
+        
+        print("⚙️  默认参数:")
+        for key, value in default_config.items():
+            print(f"  --{key}: {value}")
+        # 构造参数
+        sys.argv = [sys.argv[0]]
+        for key, value in default_config.items():
+            sys.argv.extend([f"--{key}", str(value)])
+        sys.argv.append("--dry-run")
+        sys.argv.append("--verbose")  # 添加详细输出参数 
+    sys.exit(main())

ocr_tools/ocr_batch/batch_process_pdf.py

@@ -0,0 +1,890 @@
+#!/usr/bin/env python3
+"""
+PDF 批量处理脚本
+支持多种处理器，配置文件驱动
+支持自动切换虚拟环境
+支持执行器输出日志重定向
+"""
+
+import os
+import sys
+import argparse
+import subprocess
+import json
+import yaml
+from pathlib import Path
+from datetime import datetime
+from typing import List, Dict, Optional, Any
+from dataclasses import dataclass, field
+import logging
+from tqdm import tqdm
+import time
+
+# ============================================================================
+# 数据类定义
+# ============================================================================
+
+@dataclass
+class ProcessorConfig:
+    """处理器配置"""
+    name: str
+    script: str
+    input_arg: str = "--input_file"
+    output_arg: str = "--output_dir"
+    extra_args: List[str] = field(default_factory=list)
+    output_subdir: str = "results"
+    log_subdir: str = "logs"  # 🎯 新增：日志子目录
+    venv: Optional[str] = None
+    description: str = ""
+
+
+@dataclass
+class ProcessResult:
+    """处理结果"""
+    pdf_file: str
+    success: bool
+    duration: float
+    error_message: str = ""
+    log_file: str = ""  # 🎯 新增：日志文件路径
+
+
+# ============================================================================
+# 配置管理
+# ============================================================================
+
+class ConfigManager:
+    """配置管理器"""
+    
+    DEFAULT_CONFIG = {
+        'processors': {
+            'paddleocr_vl_single_process': {
+                'script': '/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_vl_tool/main.py',
+                'input_arg': '--input',
+                'output_arg': '--output_dir',
+                'extra_args': [
+                    '--pipeline=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_common/config/PaddleOCR-VL-Client.yaml',
+                    '--no-adapter'
+                ],
+                'output_subdir': 'paddleocr_vl_results',
+                'venv': 'source /Users/zhch158/workspace/repository.git/PaddleX/paddle_env/bin/activate',
+                'description': 'PaddleOCR-VL 处理器',
+                'log_subdir': 'logs/paddleocr_vl_single_process'  # 🎯 新增
+            },
+            'ppstructurev3_single_process': {
+                'script': '/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/ppstructure_tool/main.py',
+                'input_arg': '--input',
+                'output_arg': '--output_dir',
+                'extra_args': [
+                    '--pipeline=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_common/config/PP-StructureV3.yaml'
+                ],
+                'output_subdir': 'ppstructurev3_results',
+                'venv': 'conda activate paddle',
+                'description': 'PP-StructureV3 处理器',
+                'log_subdir': 'logs/ppstructurev3_single_process'  # 🎯 新增
+            },
+            'ppstructurev3_single_client': {
+                'script': '/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/ppstructure_tool/api_client.py',
+                'input_arg': '--input',
+                'output_arg': '--output_dir',
+                'extra_args': [
+                    '--api_url=http://10.192.72.11:8111/layout-parsing',
+                    '--timeout=300'
+                ],
+                'output_subdir': 'ppstructurev3_client_results',
+                'venv': 'source /Users/zhch158/workspace/repository.git/PaddleX/paddle_env/bin/activate',
+                'description': 'PP-StructureV3 HTTP API 客户端',
+                'log_subdir': 'logs/ppstructurev3_single_client'  # 🎯 新增
+            },
+            'mineru_vllm': {
+                'script': '/Users/zhch158/workspace/repository.git/MinerU/zhch/mineru2_vllm_multthreads.py',
+                'input_arg': '--input_file',
+                'output_arg': '--output_dir',
+                'extra_args': [
+                    '--server_url=http://10.192.72.11:8121',
+                    '--timeout=300',
+                    '--batch_size=1'
+                ],
+                'output_subdir': 'mineru_vllm_results',
+                'venv': 'conda activate mineru2',
+                'description': 'MinerU vLLM 处理器',
+                'log_subdir': 'logs/mineru_vllm'  # 🎯 新增
+            },
+            'dotsocr_vllm': {
+                'script': '/Users/zhch158/workspace/repository.git/dots.ocr/zhch/dotsocr_vllm_multthreads.py',
+                'input_arg': '--input_file',
+                'output_arg': '--output_dir',
+                'extra_args': [
+                    '--ip=10.192.72.11',
+                    '--port=8101',
+                    '--model_name=DotsOCR',
+                    '--prompt_mode=prompt_layout_all_en',
+                    '--batch_size=1',
+                    '--max_workers=1',
+                    '--dpi=200'
+                ],
+                'output_subdir': 'dotsocr_vllm_results',
+                'venv': 'conda activate py312',
+                'description': 'DotsOCR vLLM 处理器 - 支持PDF和图片',
+                'log_subdir': 'logs/dotsocr_vllm'  # 🎯 新增
+            }
+        },
+        'global': {
+            'base_dir': '/Users/zhch158/workspace/data/流水分析',
+            'output_subdir': 'results',
+            'log_dir': 'logs',
+            'log_retention_days': 30,
+            'log_level': 'INFO'
+        }
+    }
+    
+    def __init__(self, config_file: Optional[str] = None):
+        self.config_file = config_file
+        self.config = self._load_config()
+    
+    def _load_config(self) -> Dict:
+        """加载配置文件"""
+        if self.config_file and Path(self.config_file).exists():
+            with open(self.config_file, 'r', encoding='utf-8') as f:
+                if self.config_file.endswith('.yaml') or self.config_file.endswith('.yml'):
+                    return yaml.safe_load(f)
+                else:
+                    return json.load(f)
+        return self.DEFAULT_CONFIG.copy()
+    
+    def get_processor_config(self, processor_name: str) -> ProcessorConfig:
+        """获取处理器配置"""
+        if processor_name not in self.config['processors']:
+            raise ValueError(f"处理器 '{processor_name}' 不存在")
+        
+        proc_config = self.config['processors'][processor_name]
+        return ProcessorConfig(
+            name=processor_name,
+            script=proc_config['script'],
+            input_arg=proc_config.get('input_arg', '--input_file'),
+            output_arg=proc_config.get('output_arg', '--output_dir'),
+            extra_args=proc_config.get('extra_args', []),
+            output_subdir=proc_config.get('output_subdir', processor_name + '_results'),
+            log_subdir=proc_config.get('log_subdir', f'logs/{processor_name}'),  # 🎯 新增
+            venv=proc_config.get('venv'),
+            description=proc_config.get('description', '')
+        )
+    
+    def get_global_config(self, key: str, default=None):
+        """获取全局配置"""
+        return self.config.get('global', {}).get(key, default)
+    
+    def list_processors(self) -> List[str]:
+        """列出所有可用的处理器"""
+        return list(self.config['processors'].keys())
+
+
+# ============================================================================
+# PDF 文件查找器
+# ============================================================================
+
+class PDFFileFinder:
+    """PDF 文件查找器"""
+    
+    def __init__(self, base_dir: str):
+        self.base_dir = Path(base_dir)
+    
+    def from_file_list(self, list_file: str) -> List[Path]:
+        """从文件列表读取"""
+        pdf_files = []
+        
+        with open(list_file, 'r', encoding='utf-8') as f:
+            for line in f:
+                # 跳过空行和注释
+                line = line.strip()
+                if not line or line.startswith('#'):
+                    continue
+                
+                # 构建完整路径
+                pdf_path = self._resolve_path(line)
+                if pdf_path:
+                    pdf_files.append(pdf_path)
+        
+        return pdf_files
+    
+    def from_list(self, pdf_list: List[str]) -> List[Path]:
+        """从列表读取"""
+        pdf_files = []
+        
+        for pdf in pdf_list:
+            pdf_path = self._resolve_path(pdf.strip())
+            if pdf_path:
+                pdf_files.append(pdf_path)
+        
+        return pdf_files
+    
+    def find_all(self) -> List[Path]:
+        """查找基础目录下所有 PDF"""
+        return sorted(self.base_dir.rglob('*.pdf'))
+    
+    def _resolve_path(self, path_str: str) -> Optional[Path]:
+        """解析路径"""
+        path = Path(path_str)
+        
+        # 绝对路径
+        if path.is_absolute():
+            return path if path.exists() else path  # 返回路径，即使不存在
+        
+        # 相对路径
+        # 1. 尝试完整相对路径
+        candidate1 = self.base_dir / path
+        if candidate1.exists():
+            return candidate1
+        
+        # 2. 尝试在同名子目录下查找
+        if '/' not in path_str:
+            pdf_name = path.stem
+            candidate2 = self.base_dir / pdf_name / path.name
+            if candidate2.exists():
+                return candidate2
+        
+        # 3. 使用 glob 搜索
+        matches = list(self.base_dir.rglob(path.name))
+        if matches:
+            return matches[0]
+        
+        # 返回候选路径（即使不存在）
+        return candidate1
+
+
+# ============================================================================
+# PDF 批处理器
+# ============================================================================
+
+class PDFBatchProcessor:
+    """PDF 批处理器"""
+    
+    def __init__(
+        self,
+        processor_config: ProcessorConfig,
+        output_subdir: Optional[str] = None,
+        log_base_dir: Optional[str] = None,  # 🎯 新增：日志基础目录
+        dry_run: bool = False
+    ):
+        self.processor_config = processor_config
+        # 如果指定了output_subdir，使用指定的；否则使用处理器配置中的
+        self.output_subdir = output_subdir or processor_config.output_subdir
+        self.log_base_dir = Path(log_base_dir) if log_base_dir else Path('logs')  # 🎯 新增
+        self.dry_run = dry_run
+        
+        # 设置日志
+        self.logger = self._setup_logger()
+        
+        # 统计信息
+        self.results: List[ProcessResult] = []
+    
+    def _setup_logger(self) -> logging.Logger:
+        """设置日志"""
+        logger = logging.getLogger('PDFBatchProcessor')
+        logger.setLevel(logging.INFO)
+        
+        # 避免重复添加handler
+        if not logger.handlers:
+            # 控制台输出
+            console_handler = logging.StreamHandler()
+            console_handler.setLevel(logging.INFO)
+            console_format = logging.Formatter(
+                '%(asctime)s - %(levelname)s - %(message)s',
+                datefmt='%Y-%m-%d %H:%M:%S'
+            )
+            console_handler.setFormatter(console_format)
+            logger.addHandler(console_handler)
+        
+        return logger
+    
+    def _get_log_file_path(self, pdf_file: Path) -> Path:
+        """
+        🎯 获取日志文件路径
+        
+        日志结构:
+        base_dir/
+        └── PDF名称/
+            └── logs/
+                └── processor_name/
+                    └── PDF名称_YYYYMMDD_HHMMSS.log
+        """
+        # PDF 目录
+        pdf_dir = pdf_file.parent / pdf_file.stem
+        
+        # 日志目录: pdf_dir / logs / processor_name
+        log_dir = pdf_dir / self.processor_config.log_subdir
+        log_dir.mkdir(parents=True, exist_ok=True)
+        
+        # 日志文件名: PDF名称_时间戳.log
+        timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
+        log_file = log_dir / f"{pdf_file.stem}_{timestamp}.log"
+        
+        return log_file
+    
+    def process_files(self, pdf_files: List[Path]) -> Dict[str, Any]:
+        """批量处理文件"""
+        self.logger.info(f"开始处理 {len(pdf_files)} 个文件")
+        self.logger.info(f"处理器: {self.processor_config.description}")
+        self.logger.info(f"脚本: {self.processor_config.script}")
+        self.logger.info(f"输出目录: {self.output_subdir}")
+        self.logger.info(f"日志目录: {self.processor_config.log_subdir}")
+        
+        if self.processor_config.venv:
+            self.logger.info(f"虚拟环境: {self.processor_config.venv}")
+        
+        start_time = time.time()
+        
+        # 使用进度条
+        with tqdm(total=len(pdf_files), desc="处理进度", unit="file") as pbar:
+            for pdf_file in pdf_files:
+                result = self._process_single_file(pdf_file)
+                self.results.append(result)
+                pbar.update(1)
+                
+                # 更新进度条描述
+                success_count = sum(1 for r in self.results if r.success)
+                pbar.set_postfix({
+                    'success': success_count,
+                    'failed': len(self.results) - success_count
+                })
+        
+        total_duration = time.time() - start_time
+        
+        # 生成统计信息
+        stats = self._generate_stats(total_duration)
+        self._save_summary_log(stats)
+        
+        return stats
+    
+    def _process_single_file(self, pdf_file: Path) -> ProcessResult:
+        """🎯 处理单个文件（支持日志重定向）"""
+        self.logger.info(f"处理: {pdf_file}")
+        
+        # 检查文件是否存在
+        if not pdf_file.exists():
+            self.logger.warning(f"跳过: 文件不存在 - {pdf_file}")
+            return ProcessResult(
+                pdf_file=str(pdf_file),
+                success=False,
+                duration=0,
+                error_message="文件不存在"
+            )
+        
+        # 确定输出目录
+        output_dir = pdf_file.parent / pdf_file.stem / self.output_subdir
+        
+        # 🎯 获取日志文件路径
+        log_file = self._get_log_file_path(pdf_file)
+        
+        # 构建命令
+        cmd = self._build_command(pdf_file, output_dir)
+        
+        self.logger.debug(f"执行命令: {cmd if isinstance(cmd, str) else ' '.join(cmd)}")
+        self.logger.info(f"日志输出: {log_file}")
+        
+        if self.dry_run:
+            self.logger.info(f"[DRY RUN] 将执行: {cmd if isinstance(cmd, str) else ' '.join(cmd)}")
+            return ProcessResult(
+                pdf_file=str(pdf_file),
+                success=True,
+                duration=0,
+                error_message="",
+                log_file=str(log_file)
+            )
+        
+        # 🎯 执行命令并重定向输出到日志文件
+        start_time = time.time()
+        try:
+            with open(log_file, 'w', encoding='utf-8') as log_f:
+                # 写入日志头
+                log_f.write(f"{'='*80}\n")
+                log_f.write(f"处理器: {self.processor_config.description}\n")
+                log_f.write(f"PDF 文件: {pdf_file}\n")
+                log_f.write(f"输出目录: {output_dir}\n")
+                log_f.write(f"开始时间: {datetime.now()}\n")
+                log_f.write(f"{'='*80}\n\n")
+                log_f.flush()
+                
+                # 执行命令
+                if isinstance(cmd, str):
+                    result = subprocess.run(
+                        cmd,
+                        shell=True,
+                        executable='/bin/bash',
+                        stdout=log_f,  # 🎯 重定向 stdout
+                        stderr=subprocess.STDOUT,  # 🎯 合并 stderr 到 stdout
+                        text=True,
+                        check=True
+                    )
+                else:
+                    result = subprocess.run(
+                        cmd,
+                        stdout=log_f,  # 🎯 重定向 stdout
+                        stderr=subprocess.STDOUT,  # 🎯 合并 stderr
+                        text=True,
+                        check=True
+                    )
+                
+                # 写入日志尾
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 成功\n")
+                log_f.write(f"{'='*80}\n")
+            
+            duration = time.time() - start_time
+            self.logger.info(f"✓ 成功 (耗时: {duration:.2f}秒)")
+            
+            return ProcessResult(
+                pdf_file=str(pdf_file),
+                success=True,
+                duration=duration,
+                error_message="",
+                log_file=str(log_file)
+            )
+            
+        except subprocess.CalledProcessError as e:
+            duration = time.time() - start_time
+            error_msg = f"命令执行失败 (退出码: {e.returncode})"
+            
+            # 🎯 在日志文件中追加错误信息
+            with open(log_file, 'a', encoding='utf-8') as log_f:
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 失败\n")
+                log_f.write(f"错误: {error_msg}\n")
+                log_f.write(f"{'='*80}\n")
+            
+            self.logger.error(f"✗ 失败 (耗时: {duration:.2f}秒)")
+            self.logger.error(f"错误信息: {error_msg}")
+            self.logger.error(f"详细日志: {log_file}")
+            
+            return ProcessResult(
+                pdf_file=str(pdf_file),
+                success=False,
+                duration=duration,
+                error_message=error_msg,
+                log_file=str(log_file)
+            )
+        except Exception as e:
+            duration = time.time() - start_time
+            error_msg = str(e)
+            
+            with open(log_file, 'a', encoding='utf-8') as log_f:
+                log_f.write(f"\n{'='*80}\n")
+                log_f.write(f"结束时间: {datetime.now()}\n")
+                log_f.write(f"状态: 异常\n")
+                log_f.write(f"错误: {error_msg}\n")
+                log_f.write(f"{'='*80}\n")
+            
+            self.logger.error(f"✗ 异常 (耗时: {duration:.2f}秒)")
+            self.logger.error(f"错误信息: {error_msg}")
+            
+            return ProcessResult(
+                pdf_file=str(pdf_file),
+                success=False,
+                duration=duration,
+                error_message=error_msg,
+                log_file=str(log_file)
+            )
+    
+    def _build_command(self, pdf_file: Path, output_dir: Path):
+        """构建执行命令
+        
+        Returns:
+            如果配置了 venv，返回 shell 命令字符串
+            否则返回命令列表
+        """
+        # 构建基础 Python 命令
+        base_cmd = [
+            'python',  # 使用虚拟环境中的 python
+            self.processor_config.script,
+            self.processor_config.input_arg, str(pdf_file),
+            self.processor_config.output_arg, str(output_dir)
+        ]
+        
+        # 添加额外参数
+        base_cmd.extend(self.processor_config.extra_args)
+        
+        # 如果配置了虚拟环境，构建 shell 命令
+        if self.processor_config.venv:
+            # 转义参数中的特殊字符
+            escaped_cmd = []
+            for arg in base_cmd:
+                if ' ' in arg or '"' in arg or "'" in arg:
+                    # 使用单引号包裹，内部单引号转义
+                    arg = arg.replace("'", "'\\''")
+                    escaped_cmd.append(f"'{arg}'")
+                else:
+                    escaped_cmd.append(arg)
+            
+            python_cmd = ' '.join(escaped_cmd)
+            
+            # 检查是否使用 conda
+            if 'conda activate' in self.processor_config.venv:
+                # 获取 conda 基础路径
+                # 对于 conda，需要先 source conda.sh，然后 conda activate
+                conda_init = """
+eval "$(conda shell.bash hook)"
+                """.strip()
+                
+                shell_cmd = f"{conda_init} && {self.processor_config.venv} && {python_cmd}"
+            else:
+                # 对于 source 激活的虚拟环境
+                shell_cmd = f"{self.processor_config.venv} && {python_cmd}"
+            
+            return shell_cmd
+        else:
+            # 没有虚拟环境，使用当前 Python 解释器
+            base_cmd[0] = sys.executable
+            return base_cmd
+    
+    def _generate_stats(self, total_duration: float) -> Dict[str, Any]:
+        """生成统计信息"""
+        success_count = sum(1 for r in self.results if r.success)
+        failed_count = len(self.results) - success_count
+        
+        failed_files = [
+            {
+                'file': r.pdf_file,
+                'error': r.error_message,
+                'log': r.log_file
+            }
+            for r in self.results if not r.success
+        ]
+        
+        stats = {
+            'total': len(self.results),
+            'success': success_count,
+            'failed': failed_count,
+            'total_duration': total_duration,
+            'failed_files': failed_files,
+            'results': [
+                {
+                    'file': r.pdf_file,
+                    'success': r.success,
+                    'duration': r.duration,
+                    'error': r.error_message,
+                    'log': r.log_file
+                }
+                for r in self.results
+            ]
+        }
+        
+        return stats
+    
+    def _save_summary_log(self, stats: Dict[str, Any]):
+        """🎯 保存汇总日志"""
+        timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
+        summary_log_file = self.log_base_dir / f"batch_summary_{self.processor_config.name}_{timestamp}.log"
+        
+        # 确保目录存在
+        summary_log_file.parent.mkdir(parents=True, exist_ok=True)
+        
+        with open(summary_log_file, 'w', encoding='utf-8') as f:
+            f.write("PDF 批量处理汇总日志\n")
+            f.write("=" * 80 + "\n\n")
+            
+            f.write(f"处理器: {self.processor_config.description}\n")
+            f.write(f"处理器名称: {self.processor_config.name}\n")
+            f.write(f"脚本: {self.processor_config.script}\n")
+            f.write(f"输出目录: {self.output_subdir}\n")
+            f.write(f"日志目录: {self.processor_config.log_subdir}\n")
+            
+            if self.processor_config.venv:
+                f.write(f"虚拟环境: {self.processor_config.venv}\n")
+            
+            f.write(f"开始时间: {datetime.now()}\n")
+            f.write(f"总耗时: {stats['total_duration']:.2f} 秒\n\n")
+            
+            f.write("统计信息:\n")
+            f.write(f"  总文件数: {stats['total']}\n")
+            f.write(f"  成功: {stats['success']}\n")
+            f.write(f"  失败: {stats['failed']}\n\n")
+            
+            if stats['failed_files']:
+                f.write("失败的文件:\n")
+                for item in stats['failed_files']:
+                    f.write(f"  ✗ {item['file']}\n")
+                    f.write(f"    错误: {item['error']}\n")
+                    f.write(f"    日志: {item['log']}\n\n")
+            
+            f.write("详细结果:\n")
+            for result in stats['results']:
+                status = "✓" if result['success'] else "✗"
+                f.write(f"{status} {result['file']} ({result['duration']:.2f}s)\n")
+                f.write(f"   日志: {result['log']}\n")
+                if result['error']:
+                    f.write(f"   错误: {result['error']}\n")
+        
+        self.logger.info(f"汇总日志已保存: {summary_log_file}")
+
+
+# ============================================================================
+# 命令行接口
+# ============================================================================
+
+def create_parser() -> argparse.ArgumentParser:
+    """创建命令行参数解析器"""
+    parser = argparse.ArgumentParser(
+        description='PDF 批量处理工具 (支持虚拟环境自动切换)',
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog="""
+示例用法:
+
+  1. 使用配置文件中的处理器 (自动切换虚拟环境):
+     python batch_process_pdf.py -p paddleocr_vl_single_process -f pdf_list.txt
+
+  2. 使用 DotsOCR 处理器 (自动切换到 py312 环境):
+     python batch_process_pdf.py -p dotsocr_vllm -f pdf_list.txt
+
+  3. 使用 MinerU 处理器 (自动切换到 mineru2 环境):
+     python batch_process_pdf.py -p mineru_vllm -f pdf_list.txt
+
+  4. 处理指定目录下所有 PDF:
+     python batch_process_pdf.py -p ppstructurev3_single_client -d /path/to/pdfs
+
+  5. 列出所有可用的处理器:
+     python batch_process_pdf.py --list-processors
+
+  6. 手动指定虚拟环境:
+     python batch_process_pdf.py -p paddleocr_vl_single_process -f pdf_list.txt --venv "conda activate paddle"
+        """
+    )
+    
+    # 处理器选择
+    parser.add_argument(
+        '-p', '--processor',
+        help='处理器名称'
+    )
+    
+    # 配置文件
+    parser.add_argument(
+        '-c', '--config',
+        default='processor_configs.yaml',
+        help='配置文件路径 (默认: processor_configs.yaml)'
+    )
+    
+    # 手动指定脚本
+    parser.add_argument(
+        '-s', '--script',
+        help='Python 脚本路径 (覆盖配置文件)'
+    )
+    
+    # 目录和文件
+    parser.add_argument(
+        '-d', '--base-dir',
+        help='PDF 文件基础目录'
+    )
+    
+    parser.add_argument(
+        '-o', '--output-subdir',
+        help='输出子目录名称 (覆盖处理器默认配置)'
+    )
+    
+    parser.add_argument(
+        '-f', '--file-list',
+        help='PDF 文件列表文件路径'
+    )
+    
+    parser.add_argument(
+        '-l', '--pdf-list',
+        nargs='+',
+        help='PDF 文件列表 (空格分隔)'
+    )
+    
+    # 额外参数
+    parser.add_argument(
+        '-e', '--extra-args',
+        help='额外参数 (覆盖配置文件)'
+    )
+    
+    # 虚拟环境
+    parser.add_argument(
+        '--venv',
+        help='虚拟环境激活命令 (覆盖配置文件)'
+    )
+    
+    # 工具选项
+    parser.add_argument(
+        '--list-processors',
+        action='store_true',
+        help='列出所有可用的处理器'
+    )
+    
+    parser.add_argument(
+        '--show-config',
+        action='store_true',
+        help='显示配置文件内容'
+    )
+    
+    parser.add_argument(
+        '--dry-run',
+        action='store_true',
+        help='模拟运行,不实际执行'
+    )
+    
+    parser.add_argument(
+        '-v', '--verbose',
+        action='store_true',
+        help='详细输出'
+    )
+    
+    return parser
+
+
+def main():
+    """主函数"""
+    parser = create_parser()
+    args = parser.parse_args()
+    
+    # 设置日志级别
+    if args.verbose:
+        logging.getLogger().setLevel(logging.DEBUG)
+    
+    # 加载配置
+    config_manager = ConfigManager(args.config if Path(args.config).exists() else None)
+    
+    # 列出处理器
+    if args.list_processors:
+        print("可用的处理器:")
+        for name in config_manager.list_processors():
+            proc_config = config_manager.get_processor_config(name)
+            print(f"  • {name}")
+            print(f"    描述: {proc_config.description}")
+            print(f"    脚本: {proc_config.script}")
+            print(f"    输出目录: {proc_config.output_subdir}")
+            if proc_config.venv:
+                print(f"    虚拟环境: {proc_config.venv}")
+            print()
+        return 0
+    
+    # 显示配置
+    if args.show_config:
+        print(yaml.dump(config_manager.config, allow_unicode=True))
+        return 0
+    
+    # 获取处理器配置
+    if args.processor:
+        processor_config = config_manager.get_processor_config(args.processor)
+    elif args.script:
+        # 手动指定脚本
+        processor_config = ProcessorConfig(
+            name='manual',
+            script=args.script,
+            extra_args=args.extra_args.split() if args.extra_args else [],
+            output_subdir=args.output_subdir or 'manual_results',
+            venv=args.venv
+        )
+    else:
+        parser.error("必须指定 -p 或 -s 参数")
+    
+    # 覆盖额外参数
+    if args.extra_args and args.processor:
+        processor_config.extra_args = args.extra_args.split()
+    
+    # 覆盖虚拟环境
+    if args.venv:
+        processor_config.venv = args.venv
+    
+    # 获取基础目录
+    base_dir = args.base_dir or config_manager.get_global_config('base_dir')
+    if not base_dir:
+        parser.error("必须指定 -d 参数或在配置文件中设置 base_dir")
+    log_base_dir = base_dir + '/' + config_manager.get_global_config('log_dir', 'logs')
+    
+    # 查找 PDF 文件
+    finder = PDFFileFinder(base_dir)
+    
+    if args.file_list:
+        pdf_files = finder.from_file_list(args.file_list)
+    elif args.pdf_list:
+        pdf_files = finder.from_list(args.pdf_list)
+    else:
+        pdf_files = finder.find_all()
+    
+    if not pdf_files:
+        print("❌ 未找到任何 PDF 文件")
+        return 1
+    
+    # 显示找到的文件
+    valid_file_paths = [f.as_posix() for f in pdf_files if f.exists()]
+    if valid_file_paths:
+        print("\n".join(valid_file_paths))    
+
+    # 验证文件
+    valid_files = [f for f in pdf_files if f.exists()]
+    invalid_files = [f for f in pdf_files if not f.exists()]
+    
+    if invalid_files:
+        print(f"\n⚠️  警告: {len(invalid_files)} 个文件不存在:")
+        for f in invalid_files[:5]:
+            print(f"  - {f}")
+        if len(invalid_files) > 5:
+            print(f"  ... 还有 {len(invalid_files) - 5} 个")
+    
+    # 确认执行
+    if not args.dry_run and valid_files:
+        venv_info = f" (虚拟环境: {processor_config.venv})" if processor_config.venv else ""
+        confirm = input(f"\n是否继续处理 {len(valid_files)} 个文件{venv_info}? [Y/n]: ")
+        if confirm.lower() not in ['', 'y', 'yes']:
+            print("已取消")
+            return 0
+    
+    # 批量处理
+    processor = PDFBatchProcessor(
+        processor_config=processor_config,
+        output_subdir=args.output_subdir,
+        log_base_dir=log_base_dir,  # 🎯 传递日志目录
+        dry_run=args.dry_run
+    )
+    
+    stats = processor.process_files(valid_files)
+    
+    # 显示统计信息
+    print("\n" + "=" * 80)
+    print("处理完成")
+    print("=" * 80)
+    print(f"\n📊 统计信息:")
+    print(f"  处理器: {processor_config.description}")
+    print(f"  输出目录: {processor.output_subdir}")
+    print(f"  日志目录: {processor.processor_config.log_subdir}")
+    print(f"  总文件数: {stats['total']}")
+    print(f"  ✓ 成功: {stats['success']}")
+    print(f"  ✗ 失败: {stats['failed']}")
+    print(f"  ⏱️  总耗时: {stats['total_duration']:.2f} 秒")
+    
+    if stats['failed_files']:
+        print(f"\n失败的文件:")
+        for item in stats['failed_files']:
+            print(f"  ✗ {item['file']}")
+            print(f"    错误: {item['error']}")
+            print(f"    日志: {item['log']}")
+    
+    return 0 if stats['failed'] == 0 else 1
+
+
+if __name__ == '__main__':
+    print("🚀 启动批量OCR程序...")
+    
+    import sys
+    
+    if len(sys.argv) == 1:
+        # 如果没有命令行参数，使用默认配置运行
+        print("ℹ️  未提供命令行参数，使用默认配置运行...")
+        
+        # 默认配置
+        default_config = {
+            "processor": "mineru_vllm",
+            "file-list": "pdf_list.txt",
+        }
+        
+        print("⚙️  默认参数:")
+        for key, value in default_config.items():
+            print(f"  --{key}: {value}")
+        # 构造参数
+        sys.argv = [sys.argv[0]]
+        for key, value in default_config.items():
+            sys.argv.extend([f"--{key}", str(value)])
+        sys.argv.append("--dry-run")
+        sys.argv.append("--verbose")  # 添加详细输出参数 
+
+    sys.exit(main())

ocr_tools/ocr_batch/pdf_list.txt

@@ -0,0 +1,8 @@
+德_内蒙古银行照.pdf
+对公_招商银行图.pdf
+A用户_单元格扫描流水.pdf
+B用户_扫描流水.pdf
+康强_北京农村商业银行.pdf
+施博深.pdf
+山西云集科技有限公司.pdf
+2023年度报告母公司.pdf

ocr_tools/ocr_batch/processor_configs.yaml

@@ -0,0 +1,151 @@
+# ============================================================================
+# PDF 批量处理器配置文件
+# ============================================================================
+
+# 处理器定义
+processors:
+  # -------------------------------------------------------------------------
+  # MinerU vLLM 处理器
+  # 基于 MinerU 的多线程批量处理（支持 PDF 和图片）
+  # -------------------------------------------------------------------------
+  yusys_ocr:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/universal_doc_parser/main_v2.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--config=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/universal_doc_parser/config/bank_statement_yusys_v2.yaml"
+      - "--pages=1-35"
+      - "--streaming"
+      - "--debug"
+      - "--log_level=DEBUG"
+    output_subdir: "bank_statement_yusys_v2"
+    log_subdir: "logs/bank_statement_yusys_v2"
+    venv: "conda activate mineru2"
+    description: "YUSYS统一OCR框架"
+
+  # -------------------------------------------------------------------------
+  # PaddleOCR-VL 处理器
+  # -------------------------------------------------------------------------
+  paddleocr_vl_single_process:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_vl_tool/main.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--pipeline=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_common/config/PaddleOCR-VL-Client.yaml"
+      - "--device=cpu"
+      # - "--no-adapter"
+    output_subdir: "paddleocr_vl_results"
+    log_subdir: "logs/paddleocr_vl"  # 🎯 新增：日志子目录
+    venv: "source /Users/zhch158/workspace/repository.git/PaddleX/paddle_env/bin/activate"
+    description: "PaddleOCR-VL 处理器 - 视觉语言模型OCR"
+
+  # -------------------------------------------------------------------------
+  # PP-StructureV3 本地处理器
+  # -------------------------------------------------------------------------
+  ppstructurev3_single_process:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/ppstructure_tool/main.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--pipeline=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_common/config/PP-StructureV3-zhch.yaml"
+      - "--device=cpu"
+    output_subdir: "ppstructurev3_results"
+    log_subdir: "logs/ppstructurev3"
+    venv: "conda activate paddle"
+    description: "PP-StructureV3 处理器 - 本地处理"
+
+  ppstructurev3_gpu:
+    script: "/home/ubuntu/zhch/PaddleX/zhch/ppstructurev3_single_process.py"
+    input_arg: "--input_file"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--pipeline=/home/ubuntu/zhch/PaddleX/zhch/my_config/PP-StructureV3.yaml"
+    output_subdir: "ppstructurev3_gpu_results"
+    log_subdir: "logs/ppstructurev3_gpu"
+    venv: "conda activate paddle"
+    description: "PP-StructureV3 处理器 - GPU加速"
+
+  # -------------------------------------------------------------------------
+  # PP-StructureV3 CPU 处理器
+  # 明确使用 CPU 处理
+  # -------------------------------------------------------------------------
+  ppstructurev3_cpu:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/ppstructure_tool/main.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--pipeline=/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/paddle_common/config/PP-StructureV3-zhch.yaml"
+      - "--device=cpu"
+    output_subdir: "ppstructurev3_cpu_results"
+    log_subdir: "logs/ppstructurev3_cpu"
+    venv: "source /Users/zhch158/workspace/repository.git/PaddleX/paddle_env/bin/activate"
+    description: "PP-StructureV3 处理器 - CPU处理"
+
+  # -------------------------------------------------------------------------
+  # PP-StructureV3 API 客户端 (默认)
+  # 通过 HTTP API 调用远程服务
+  # -------------------------------------------------------------------------
+  ppstructurev3_single_client:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/ppstructure_tool/api_client.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--api_url=http://10.192.72.11:20026/layout-parsing"
+      - "--timeout=300"
+    output_subdir: "ppstructurev3_client_results"
+    log_subdir: "logs/ppstructurev3_client"
+    venv: "source /Users/zhch158/workspace/repository.git/PaddleX/paddle_env/bin/activate"
+    description: "PP-StructureV3 HTTP API 客户端 - 远程服务"
+
+  # -------------------------------------------------------------------------
+  # MinerU vLLM 处理器
+  # 基于 MinerU 的多线程批量处理（支持 PDF 和图片）
+  # -------------------------------------------------------------------------
+  mineru_vllm:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/mineru_vl_tool/main.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--server_url=http://10.192.72.11:20006"
+      - "--timeout=300"
+      - "--batch_size=1"
+    output_subdir: "mineru_vllm_results"
+    log_subdir: "logs/mineru_vllm"
+    venv: "conda activate mineru2"
+    description: "MinerU vLLM 处理器 - 支持PDF和图片"
+
+  # -------------------------------------------------------------------------
+  # DotsOCR vLLM 处理器
+  # 基于 DotsOCR 的批量处理（支持 PDF 和图片）
+  # -------------------------------------------------------------------------
+  dotsocr_vllm:
+    script: "/Users/zhch158/workspace/repository.git/ocr_platform/ocr_tools/dotsocr_vl_tool/main.py"
+    input_arg: "--input"
+    output_arg: "--output_dir"
+    extra_args:
+      - "--ip=10.192.72.11"
+      - "--port=8101"
+      - "--model_name=DotsOCR"
+      - "--prompt_mode=prompt_layout_all_en"
+      - "--batch_size=1"
+      - "--max_workers=1"
+      - "--dpi=200"
+    output_subdir: "dotsocr_vllm_results"
+    log_subdir: "logs/dotsocr_vllm"
+    venv: "conda activate py312"
+    description: "DotsOCR vLLM 处理器 - 支持PDF和图片"
+
+# ============================================================================
+# 全局配置
+# ============================================================================
+global:
+  # PDF 文件基础目录
+  base_dir: "/Users/zhch158/workspace/data/流水分析"
+  
+  # 默认输出子目录名称（如果处理器未指定）
+  output_subdir: "results"
+  
+  # 🎯 新增：全局日志配置
+  log_dir: "logs"  # 全局日志目录（相对于 base_dir）
+  log_retention_days: 30  # 日志保留天数
+  log_level: "INFO"  # 日志级别: DEBUG, INFO, WARNING, ERROR