# OCR Platform

一个统一的 OCR 识别与处理平台，集成了多种 OCR 工具、智能验证、结果对比、表格线生成等功能，专为金融文档、财务报表等复杂文档设计。

> 📚 **详细文档**：更多技术文档、环境配置、使用说明等，请查看 [docs/](docs/)

## 🎯 核心功能

### 🔍 多工具 OCR 支持
- **PaddleOCR-VL**：基于视觉语言模型的文档解析
- **PP-StructureV3**：全面的文档结构分析（表格、公式、图表等）
- **MinerU VLM**：多模态文档理解
- **DotsOCR VLM**：专业 VLM OCR 引擎
- **统一文档解析器**：统一的文档处理框架

### 🔄 OCR 结果处理
- **结果合并**：将结构化识别结果与精确坐标进行合并
- **结果对比**：多工具 OCR 结果的智能对比和差异分析
- **可视化验证**：交互式 OCR 结果验证和校验工具

### 📏 表格处理
- **表格线生成**：基于 OCR bbox 自动生成表格线（新版本）
- **遗留表格线生成器**：Streamlit 版本的表格线编辑器
- **表格模板应用**：将标注好的表格结构应用到同类型页面

### 🛠️ 工具集
- **批量处理**：支持批量 OCR 识别和处理
- **守护进程**：各种 OCR 工具的守护进程脚本
- **公共工具包**：统一的工具函数库

## 📁 项目结构

```
ocr_platform/
├── docs/                          # 📚 详细文档目录
│   ├── paddlex/                   # PaddleX 相关文档
│   ├── mineru/                    # MinerU 相关文档
│   ├── dotsocr/                   # DotsOCR 相关文档
│   ├── ocr_tools/                 # OCR 工具技术文档
│   └── legacy_table_line_generator/ # 遗留工具文档
│
├── ocr_tools/                     # 🔧 OCR 工具集合（单独一个子仓）
│   ├── ocr_merger/                # OCR 结果合并工具
│   ├── paddle_common/             # PaddleX 公共模块
│   ├── ppstructure_tool/           # PP-StructureV3 工具（依赖paddle框架）
│   ├── paddle_vl_tool/            # PaddleOCR-VL 工具（依赖paddle框架）
│   ├── mineru_vl_tool/            # MinerU VLM 工具（依赖mineru）
│   ├── dots.ocr_vl_tool/          # DotsOCR VLM 工具（依赖dots.ocr）
│   ├── universal_doc_parser/      # 统一文档解析器（依赖mineru）
│   ├── ocr_batch/                 # 批量处理工具
│   ├── pytorch_models/            # PyTorch 模型推理接口
│   └── daemons/                   # 守护进程脚本
│
├── ocr_validator/                 # 🔍 OCR 可视化验证系统（单独一个子仓）
│   └── streamlit_ocr_validator.py # Streamlit 验证界面
│
├── ocr_comparator/                # 🔄 OCR 结果对比工具
│   └── compare_ocr_results.py     # 结果对比核心模块
│
├── table_line_generator/          # 📏 表格线生成器（单独一个子仓）
│   ├── backend/                   # FastAPI 后端
│   ├── core/                      # 核心算法
│   ├── frontend/                  # Vue 3 前端
│   ├── templates/                 # 表格模板
│   └── config/                    # 配置文件
│
├── legacy_table_line_generator/  # 📏 遗留表格线生成器（单独一个子仓）
│   └── streamlit_table_line_editor.py # Streamlit 版本编辑器
│
└── ocr_utils/                     # 🛠️ OCR 工具包（公共工具）
    ├── bbox_utils.py              # bbox 处理工具
    ├── file_utils.py              # 文件处理工具
    ├── pdf_utils.py               # PDF 处理工具
    ├── image_utils.py             # 图像处理工具
    └── ...
```

## 🚀 快速开始

### 环境配置

#### 1. 代码获取

```bash
git clone https://gitee.com/zhch158_admin/ocr_platform.git -c user.name=zhch158_admin -c user.email=zhch158@sina.com
cd ocr_platform
git config --local user.name "zhch158_admin"
git config --local user.email "zhch158@sina.com"
```

#### 2. Python 环境

项目支持多个 Python 环境，根据使用的工具选择：

- **PaddleX 工具**：需要 `paddle_env` 环境（Python 3.11+）
- **MinerU 工具**：需要 `mineru2` 环境（Python 3.12+）
- **DotsOCR 工具**：需要 `py312` 环境（Python 3.12+）

详细环境配置请查看：
- [PaddleX 环境配置](docs/paddlex/README.md)
- [MinerU 环境配置](docs/mineru/README.md)
- [DotsOCR 环境配置](docs/dotsocr/README.md)

### 基本使用

#### OCR 识别

```bash
# 使用 PaddleOCR-VL
cd ocr_tools/paddle_vl_tool
python main.py --input document.pdf --output_dir ./output

# 使用 PP-StructureV3
cd ocr_tools/ppstructure_tool
python main.py --input document.pdf --output_dir ./output

# 使用 MinerU VLM
cd ocr_tools/mineru_vl_tool
python main.py --input document.pdf --output_dir ./output

# 使用 DotsOCR VLM
cd ocr_tools/dots.ocr_vl_tool
python main.py --input document.pdf --output_dir ./output
```

#### OCR 结果合并

```bash
cd ocr_tools/ocr_merger
python merge_mineru_paddle_ocr.py \
  --mineru_json mineru_result.json \
  --paddle_json paddleocr_result.json \
  --output_dir ./merged_output
```

#### OCR 结果对比

```bash
cd ocr_comparator
python compare_ocr_results.py \
  file1.json file2.json \
  --output_file comparison_report \
  --output_format markdown
```

#### 可视化验证

```bash
cd ocr_validator
streamlit run streamlit_ocr_validator.py
```

#### 表格线生成

```bash
# 新版本（Vue + FastAPI）
cd table_line_generator/backend
uvicorn main:app --reload

# 前端（另一个终端）
cd table_line_generator/frontend
npm install
npm run dev

# 遗留版本（Streamlit）
cd legacy_table_line_generator
streamlit run streamlit_table_line_editor.py
```

## 📦 模块说明

### ocr_tools - OCR 工具集合

提供多种 OCR 工具的批量处理能力，支持 PDF、图片等多种输入格式。

**主要工具**：
- `paddle_vl_tool/` - PaddleOCR-VL 批量处理
- `ppstructure_tool/` - PP-StructureV3 批量处理
- `mineru_vl_tool/` - MinerU VLM 批量处理
- `dots.ocr_vl_tool/` - DotsOCR VLM 批量处理
- `universal_doc_parser/` - 统一文档解析框架
- `ocr_merger/` - OCR 结果合并工具
- `ocr_batch/` - 批量处理编排工具

**详细文档**：[docs/ocr_tools/](docs/ocr_tools/)

### ocr_validator - OCR 可视化验证系统

基于 Streamlit 的交互式 OCR 结果验证工具，支持多工具结果对比、差异分析、可视化标注等功能。

**主要功能**：
- 多工具 OCR 结果展示
- 智能交叉验证
- 表格数据分析
- 交互式图像标注

**详细文档**：[ocr_validator/README.md](ocr_validator/README.md)

### ocr_comparator - OCR 结果对比工具

独立的 OCR 结果对比库，支持多种对比模式和差异分析。

**主要功能**：
- 标准表格对比
- 流水表格对比
- 段落对比
- 差异报告生成

**详细文档**：[ocr_comparator/README.md](ocr_comparator/README.md)

### table_line_generator - 表格线生成器

基于 Vue 3 + FastAPI 的现代化表格线生成工具，支持可视化编辑、模板应用、批量处理等功能。

**主要功能**：
- 可视化表格线编辑
- 模板管理和应用
- 批量处理
- REST API 接口

**详细文档**：[table_line_generator/README.md](table_line_generator/README.md)

### legacy_table_line_generator - 遗留表格线生成器

基于 Streamlit 的表格线生成工具（遗留版本），保留用于向后兼容。

**详细文档**：[legacy_table_line_generator/README.md](legacy_table_line_generator/README.md) | [docs/legacy_table_line_generator/](docs/legacy_table_line_generator/)

### ocr_utils - OCR 工具包

统一的工具函数库，提供公共的 OCR 处理功能。

**主要模块**：
- `bbox_utils.py` - bbox 提取和坐标转换
- `file_utils.py` - 文件处理工具
- `pdf_utils.py` - PDF 处理工具
- `image_utils.py` - 图像处理工具
- `html_utils.py` - HTML/Markdown 处理工具
- `number_utils.py` - 数字解析和标准化

## 📚 文档导航

### 工具文档
- [PaddleX 文档](docs/paddlex/) - 环境配置、使用说明、参数配置
- [MinerU 文档](docs/mineru/) - 环境配置、处理流程、模块说明
- [DotsOCR 文档](docs/dotsocr/) - 环境配置、使用说明

### 技术文档
- [OCR 结果合并算法](docs/ocr_tools/ocr_merger/) - 坐标系变换、表格行匹配、动态规划
- [统一文档解析器](docs/ocr_tools/universal_doc_parser/) - 模型统一框架、Layout 后处理
- [PyTorch 模型](docs/ocr_tools/pytorch_models/) - ONNX 转换、推理算法

### 模块文档
- [OCR 验证系统](ocr_validator/README.md)
- [OCR 结果对比](ocr_comparator/README.md)
- [表格线生成器](table_line_generator/README.md)
- [遗留表格线生成器](legacy_table_line_generator/README.md)

**完整文档索引**：[docs/README.md](docs/README.md)

## 🔧 依赖说明

### 外部依赖

- **PaddleX**：PaddleOCR-VL、PP-StructureV3 工具需要
- **MinerU**：MinerU VLM 工具、统一文档解析器需要
- **DotsOCR**：DotsOCR VLM 工具需要

### 内部依赖

- **ocr_utils**：所有模块共享的工具包
- **paddle_common**：PaddleX 相关工具的公共模块

## 🎨 使用场景

### 场景 1：银行流水识别
1. 使用 `paddle_vl_tool` 或 `ppstructure_tool` 进行 OCR 识别
2. 使用 `table_line_generator` 生成表格线（如需要）
3. 使用 `ocr_validator` 进行结果验证
4. 使用 `ocr_comparator` 对比不同工具的结果

### 场景 2：财务报表处理
1. 使用 `universal_doc_parser` 进行统一文档解析
2. 使用 `ocr_merger` 合并多个 OCR 工具的结果
3. 使用 `ocr_validator` 进行交叉验证
4. 使用 `table_line_generator` 处理复杂表格

### 场景 3：批量文档处理
1. 使用 `ocr_batch` 进行批量 OCR 识别
2. 使用 `ocr_merger` 批量合并结果
3. 使用 `ocr_comparator` 生成对比报告

## 🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

### 代码规范
- 遵循 PEP 8 Python 代码规范
- 使用类型提示（Type Hints）
- 添加必要的文档字符串

### 文档规范
- 详细文档统一放在 `docs/` 目录
- 各模块只保留简要的 `README.md`
- 使用 Markdown 格式编写文档

## 📄 许可证

MIT License

## 🔗 相关链接

- [详细文档](docs/)
- [PaddleX 官方文档](https://paddlepaddle.github.io/PaddleX/)
- [MinerU 官方文档](https://github.com/opendatalab/MinerU)
- [DotsOCR 官方文档](https://github.com/opendatalab/dots-ocr)

---

**注意**：本项目是一个统一的 OCR 处理平台，整合了多个 OCR 工具和辅助功能。各模块可以独立使用，也可以组合使用以满足不同的业务需求。