zhch158_admin 674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法		пре 1 недеља
..
DP算法多路径探索说明.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља
README.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља
Tablecells匹配-动态规划.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља
坐标系变换.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља
表格行匹配算法可视化图示.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља
表格行匹配算法详解.md	674b43692f feat: 添加多个文档和工具说明，包括 OCR 平台、表格识别模块及其评估算法	пре 1 недеља

OCR 结果合并工具说明

概述

本工具包用于合并不同 OCR 工具的识别结果，主要功能是将结构化识别结果（如 MinerU、PaddleOCR_VL、DotsOCR）与精确文字框坐标（PaddleOCR）进行合并，生成包含完整 bbox 信息的增强版 Markdown 和 JSON 文件。

位置：ocr_platform/ocr_tools/ocr_merger/

注意：

BBoxExtractor 已迁移到 ocr_utils/bbox_utils.py，供多个模块共享使用
导入时使用：from ocr_utils import BBoxExtractor

支持的合并方式

1. MinerU + PaddleOCR

输入：
- MinerU 的 JSON 文件（包含表格结构、段落等）
- PaddleOCR 的 JSON 文件（包含精确的文字框坐标）
输出：
- 增强的 Markdown（包含 bbox 注释）
- 合并的 JSON（MinerU 格式 + bbox 信息）

2. PaddleOCR_VL + PaddleOCR

输入：
- PaddleOCR_VL 的 JSON 文件（包含版面分析、表格识别等）
- PaddleOCR 的 JSON 文件（包含精确的文字框坐标）
输出：
- 增强的 Markdown（包含 bbox 注释）
- 合并的 JSON（转换为 MinerU 格式 + bbox 信息）

3. DotsOCR + PaddleOCR

输入：
- DotsOCR 的 JSON 文件（包含表格结构、段落等）
- PaddleOCR 的 JSON 文件（包含精确的文字框坐标）
输出：
- 增强的 Markdown（包含 bbox 注释）
- 合并的 JSON（转换为 MinerU 格式 + bbox 信息）

目录结构

ocr_tools/ocr_merger/
├── __init__.py                      # 包初始化文件
├── merger_core.py                   # MinerU 合并器核心类
├── paddleocr_vl_merger.py          # PaddleOCR_VL 合并器核心类
├── dotsocr_merger.py                # DotsOCR 合并器核心类
├── merge_mineru_paddle_ocr.py      # MinerU + PaddleOCR 主程序
├── merge_paddleocr_vl_paddleocr.py # PaddleOCR_VL + PaddleOCR 主程序
├── merge_dotsocr_paddleocr.py      # DotsOCR + PaddleOCR 主程序
├── text_matcher.py                  # 文本匹配模块（共用）
├── data_processor.py               # 数据处理模块（共用）
├── markdown_generator.py           # Markdown 生成模块（共用）
├── unified_output_converter.py     # 统一输出转换器
├── table_cell_matcher.py           # 表格单元格匹配器
└── README.md                        # 本说明文档

注意：
- `BBoxExtractor` 已迁移到 `ocr_utils/bbox_utils.py`，供多个模块共享使用
- 导入时使用：`from ocr_utils import BBoxExtractor`

核心模块说明

1. 合并器类

`MinerUPaddleOCRMerger` (merger_core.py)

class MinerUPaddleOCRMerger:
    """MinerU 和 PaddleOCR 结果合并器"""
    
    def __init__(self, look_ahead_window: int = 10, 
                 similarity_threshold: int = 90):
        """
        Args:
            look_ahead_window: 向前查找的窗口大小
            similarity_threshold: 文本相似度阈值（0-100）
        """
    
    def merge_table_with_bbox(self, mineru_json_path: str, 
                             paddle_json_path: str) -> List[Dict]:
        """合并 MinerU 和 PaddleOCR 的结果"""
    
    def generate_enhanced_markdown(self, merged_data: List[Dict], 
                                   output_path: str = None) -> str:
        """生成增强的 Markdown"""

`PaddleOCRVLMerger` (paddleocr_vl_merger.py)

class PaddleOCRVLMerger:
    """PaddleOCR_VL 和 PaddleOCR 结果合并器"""
    
    def __init__(self, look_ahead_window: int = 10, 
                 similarity_threshold: int = 90):
        """
        Args:
            look_ahead_window: 向前查找的窗口大小
            similarity_threshold: 文本相似度阈值（0-100）
        """
    
    def merge_table_with_bbox(self, paddleocr_vl_json_path: str, 
                             paddle_json_path: str) -> List[Dict]:
        """合并 PaddleOCR_VL 和 PaddleOCR 的结果"""
    
    def generate_enhanced_markdown(self, merged_data: List[Dict], 
                                   output_path: str = None,
                                   data_format: str = None) -> str:
        """生成增强的 Markdown"""

`DotsOCRMerger` (dotsocr_merger.py)

class DotsOCRMerger:
    """DotsOCR 和 PaddleOCR 结果合并器"""
    
    def __init__(self, look_ahead_window: int = 10, 
                 similarity_threshold: int = 90):
        """
        Args:
            look_ahead_window: 向前查找的窗口大小
            similarity_threshold: 文本相似度阈值（0-100）
        """
    
    def merge_table_with_bbox(self, dotsocr_json_path: str, 
                             paddle_json_path: str,
                             data_format: str = 'mineru') -> List[Dict]:
        """合并 DotsOCR 和 PaddleOCR 的结果"""
    
    def generate_enhanced_markdown(self, merged_data: List[Dict], 
                                   output_path: str = None,
                                   source_file: str = None,
                                   data_format: str = None) -> str:
        """生成增强的 Markdown"""

2. 共用模块

`TextMatcher` (text_matcher.py)

负责文本匹配，找到 MinerU/PaddleOCR_VL/DotsOCR 文本在 PaddleOCR 结果中的对应位置。

核心方法：

def find_matching_bbox(self, target_text: str, 
                      text_boxes: List[Dict],
                      start_index: int = 0,
                      last_match_index: int = 0,
                      look_ahead_window: int = 10) -> Tuple[Optional[Dict], int, int]:
    """
    查找匹配的 bbox
    
    Args:
        target_text: 目标文本
        text_boxes: PaddleOCR 文字框列表
        start_index: 开始搜索的位置
        last_match_index: 上一次匹配的索引
        look_ahead_window: 向前查找窗口大小
    
    Returns:
        (匹配的文字框, 新的开始位置, 新的last_match_index)
    """

匹配策略：

顺序匹配：优先从 start_index 开始顺序查找
窗口回溯：在 [last_match_index - look_ahead_window, last_match_index + look_ahead_window] 范围内查找
相似度计算：使用 fuzzywuzzy 计算文本相似度
指针更新：匹配成功后更新指针，避免重复匹配

`BBoxExtractor` (ocr_utils/bbox_utils.py)

负责从 PaddleOCR 结果中提取文字框信息，并提供坐标转换功能。

注意：BBoxExtractor 已迁移到 ocr_utils/bbox_utils.py，供多个模块共享使用。

导入方式：

from ocr_utils import BBoxExtractor

核心方法：

def extract_paddle_text_boxes(self, paddle_data: Dict) -> Tuple[List[Dict], float, Tuple[int, int]]:
    """
    提取 PaddleOCR 的文字框信息
    
    Returns:
        (文字框列表, 旋转角度, 原始图像尺寸)
        文字框格式：
        [
            {
                'text': '文本内容',
                'bbox': [x1, y1, x2, y2],
                'poly': [[x1,y1], [x2,y2], [x3,y3], [x4,y4]],
                'score': 0.99,
                'used': False
            },
            ...
        ]
    """

def extract_table_cells_with_bbox(self, merged_data: List[Dict]) -> List[Dict]:
    """
    提取所有表格单元格及其 bbox 信息
    
    Returns:
        [
            {
                'text': '单元格文本',
                'bbox': [x1, y1, x2, y2],
                'row': 1,
                'col': 2,
                'score': 0.99,
                'paddle_index': 10
            },
            ...
        ]
    """

def inverse_rotate_box_coordinates(self, bbox: List[float], angle: float, orig_image_size: tuple) -> List[float]:
    """
    反向旋转 bbox 坐标（将旋转后的坐标转换回原始图像坐标）
    """

def rotate_box_coordinates(self, bbox: List[float], angle: float, orig_image_size: tuple) -> List[float]:
    """
    旋转 bbox 坐标（与图像旋转保持一致）
    """

def calculate_skew_angle(self, paddle_boxes: List[Dict], sample_ratio: float = 0.5, outlier_threshold: float = 0.3) -> float:
    """
    计算文档倾斜角度（基于文本行分析）
    """

def correct_boxes_skew(self, paddle_boxes: List[Dict], correction_angle: float, image_size: Tuple[int, int]) -> List[Dict]:
    """
    校正文本框的倾斜
    """

`DataProcessor` (data_processor.py)

负责处理 MinerU/PaddleOCR_VL/DotsOCR 数据，添加 bbox 信息。

核心方法：

def process_mineru_data(self, mineru_data: List[Dict], 
                       paddle_text_boxes: List[Dict]) -> List[Dict]:
    """
    处理 MinerU 数据，添加 bbox 信息
    
    处理类型：
    - text: 普通文本
    - title: 标题
    - table: 表格
    - list: 列表
    - image: 图片
    - equation: 公式
    """

def process_paddleocr_vl_data(self, paddleocr_vl_data: Dict,
                              paddle_text_boxes: List[Dict],
                              rotation_angle: float = 0.0,
                              orig_image_size: tuple = (0,0)) -> List[Dict]:
    """
    处理 PaddleOCR_VL 数据，添加 bbox 信息
    
    处理类型：
    - paragraph_title: 段落标题
    - figure_title: 图片标题
    - text: 文本
    - table: 表格
    - figure: 图片
    - equation: 公式
    - reference: 参考文献
    """

def process_dotsocr_data(self, dotsocr_data: Dict,
                        paddle_text_boxes: List[Dict],
                        rotation_angle: float = 0.0,
                        orig_image_size: tuple = (0,0)) -> List[Dict]:
    """
    处理 DotsOCR 数据，添加 bbox 信息
    
    处理类型：
    - text: 文本
    - table: 表格
    - image: 图片
    - equation: 公式
    """

表格处理逻辑：

解析 HTML 表格结构
逐个单元格匹配 PaddleOCR 文字框
为每个 <td> 添加 data-bbox、data-paddle-index、data-score 属性
处理合并单元格（colspan、rowspan）

`MarkdownGenerator` (markdown_generator.py)

负责将合并后的数据生成 Markdown 文件。

核心特性：

自动格式检测：自动识别 MinerU 或 PaddleOCR_VL 格式
bbox 注释：为每个元素添加  注释
表格增强：保留表格中的 bbox 属性
图片处理：自动复制图片文件

核心方法：

def detect_data_format(merged_data: List[Dict]) -> str:
    """
    检测数据格式
    
    Returns:
        'mineru' 或 'paddleocr_vl'
    """

def generate_enhanced_markdown(merged_data: List[Dict], 
                               output_path: Optional[str] = None,
                               source_file: Optional[str] = None,
                               data_format: Optional[str] = None) -> str:
    """
    生成增强的 Markdown
    
    Args:
        merged_data: 合并后的数据
        output_path: 输出路径
        source_file: 源文件路径（用于复制图片）
        data_format: 数据格式，None 则自动检测
    """

格式化方法：

MinerU 格式：_format_mineru_*() 系列方法
PaddleOCR_VL 格式：_format_paddleocr_vl_*() 系列方法
通用方法：_format_equation(), _format_metadata() 等

使用方法

1. MinerU + PaddleOCR 合并

命令行使用

# 单文件处理
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-file /path/to/mineru_page_001.json \
  --paddle-file /path/to/paddle_page_001.json \
  --output-dir /path/to/output \
  --output-type both

# 批量处理
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir /path/to/mineru_results \
  --paddle-dir /path/to/paddle_results \
  --output-dir /path/to/output \
  --output-type both \
  --window 15 \
  --threshold 85

参数说明

参数	说明	默认值
`--mineru-file`	MinerU JSON 文件路径（单文件模式）	-
`--paddle-file`	PaddleOCR JSON 文件路径（单文件模式）	-
`--mineru-dir`	MinerU 结果目录（批量模式）	-
`--paddle-dir`	PaddleOCR 结果目录（批量模式）	-
`-o, --output-dir`	输出目录（必需）	-
`-f, --output-type`	输出格式：json/markdown/both	both
`-w, --window`	向前查找窗口大小	15
`-t, --threshold`	文本相似度阈值（0-100）	80

2. PaddleOCR_VL + PaddleOCR 合并

命令行使用

# 单文件处理
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-file /path/to/paddleocr_vl_page_001.json \
  --paddle-file /path/to/paddle_page_001.json \
  --output-dir /path/to/output \
  --output-type both

# 批量处理
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir /path/to/paddleocr_vl_results \
  --paddle-dir /path/to/paddle_results \
  --output-dir /path/to/output \
  --output-type both \
  --window 15 \
  --threshold 85

参数说明

参数	说明	默认值
`--paddleocr-vl-file`	PaddleOCR_VL JSON 文件路径（单文件模式）	-
`--paddle-file`	PaddleOCR JSON 文件路径（单文件模式）	-
`--paddleocr-vl-dir`	PaddleOCR_VL 结果目录（批量模式）	-
`--paddle-dir`	PaddleOCR 结果目录（批量模式）	-
`-o, --output-dir`	输出目录（必需）	-
`-f, --output-type`	输出格式：json/markdown/both	both
`-w, --window`	向前查找窗口大小	15
`-t, --threshold`	文本相似度阈值（0-100）	80

3. DotsOCR + PaddleOCR 合并

命令行使用

# 单文件处理
python ocr_tools/ocr_merger/merge_dotsocr_paddleocr.py \
  --dotsocr-file /path/to/dotsocr_page_001.json \
  --paddle-file /path/to/paddle_page_001.json \
  --output-dir /path/to/output \
  --output-type both

# 批量处理
python ocr_tools/ocr_merger/merge_dotsocr_paddleocr.py \
  --dotsocr-dir /path/to/dotsocr_results \
  --paddle-dir /path/to/paddle_results \
  --output-dir /path/to/output \
  --output-type both \
  --window 15 \
  --threshold 85

参数说明

参数	说明	默认值
`--dotsocr-file`	DotsOCR JSON 文件路径（单文件模式）	-
`--paddle-file`	PaddleOCR JSON 文件路径（单文件模式）	-
`--dotsocr-dir`	DotsOCR 结果目录（批量模式）	-
`--paddle-dir`	PaddleOCR 结果目录（批量模式）	-
`-o, --output-dir`	输出目录（必需）	-
`-f, --output-type`	输出格式：json/markdown/both	both
`-w, --window`	向前查找窗口大小	15
`-t, --threshold`	文本相似度阈值（0-100）	80

输出格式

1. 增强的 Markdown

<!-- bbox: [717, 191, 917, 229] -->
# 账务明细清单

<!-- bbox: [721, 233, 921, 254] -->
# Statement Of Account

<!-- bbox: [181, 257, 517, 283] -->
开户银行：呼和浩特成吉思汗大街

<!-- bbox: [176, 406, 1468, 1920] -->
<table>
  <tr>
    <td data-bbox="[183,413,293,438]" data-paddle-index="10" data-score="0.9995">日期Date</td>
    <td data-bbox="[296,413,486,438]" data-paddle-index="11" data-score="0.9988">业务类型Business Type</td>
    <td data-bbox="[489,413,642,438]" data-paddle-index="12" data-score="0.9994">票据号Bill No.</td>
  </tr>
  ...
</table>

2. 合并的 JSON

MinerU 格式

[
  {
    "type": "text",
    "text": "账务明细清单",
    "text_level": 1,
    "bbox": [717, 191, 917, 229],
    "page_idx": 0
  },
  {
    "type": "table",
    "table_body": "<table>...</table>",
    "table_body_with_bbox": "<table>...</table>",
    "bbox": [176, 406, 1468, 1920],
    "bbox_mapping": "merged_from_paddle_ocr",
    "table_cells": [
      {
        "text": "日期Date",
        "bbox": [183, 413, 293, 438],
        "paddle_index": 10,
        "score": 0.9995,
        "row": 0,
        "col": 0
      }
    ],
    "page_idx": 0
  }
]

PaddleOCR_VL 格式（转换为 MinerU 格式）

[
  {
    "type": "text",
    "text": "账务明细清单",
    "text_level": 1,
    "bbox": [719, 194, 924, 264],
    "page_idx": 0
  },
  {
    "type": "table",
    "table_body": "<table>...</table>",
    "table_body_with_bbox": "<table>...</table>",
    "bbox": [177, 256, 1464, 393],
    "bbox_mapping": "merged_from_paddle_ocr",
    "table_cells": [...],
    "page_idx": 0
  }
]

核心算法

1. 文本匹配算法

目标：在 PaddleOCR 的文字框列表中找到与 MinerU/PaddleOCR_VL 文本最匹配的 bbox。

策略：

顺序匹配优先：从 start_index 开始顺序查找
窗口回溯：如果顺序匹配失败，在上一次匹配位置附近的窗口内查找
相似度筛选：使用 fuzzywuzzy.partial_ratio 计算相似度，阈值默认 80%
指针管理：维护两个指针
- start_index：下次搜索的起始位置
- last_match_index：上一次匹配的位置（用于窗口回溯）

伪代码：

def find_matching_bbox(target_text, text_boxes, start_index, last_match_index, window):
    # 第一阶段：顺序查找
    for i in range(start_index, len(text_boxes)):
        if similarity(target_text, text_boxes[i].text) >= threshold:
            return text_boxes[i], i + 1, i
    
    # 第二阶段：窗口回溯
    window_start = max(0, last_match_index - window)
    window_end = min(len(text_boxes), last_match_index + window)
    
    best_match = None
    best_score = 0
    best_index = -1
    
    for i in range(window_start, window_end):
        score = similarity(target_text, text_boxes[i].text)
        if score > best_score and score >= threshold:
            best_match = text_boxes[i]
            best_score = score
            best_index = i
    
    if best_match:
        return best_match, start_index, best_index
    
    return None, start_index, last_match_index

2. 表格单元格匹配算法

目标：为表格中的每个单元格找到对应的 PaddleOCR 文字框。

步骤：

解析表格 HTML：使用 BeautifulSoup 解析 <table> 结构

逐行逐列处理：

for row in table.find_all('tr'):
   for cell in row.find_all(['td', 'th']):
       cell_text = cell.get_text()
       matched_bbox = find_matching_bbox(cell_text, ...)
           
       # 添加属性
       cell['data-bbox'] = str(matched_bbox['bbox'])
       cell['data-paddle-index'] = matched_bbox['index']
       cell['data-score'] = matched_bbox['score']

处理合并单元格：
- 检测 colspan 和 rowspan 属性
- 为每个展开的单元格使用相同的 bbox
指针更新：每次匹配成功后更新 paddle_pointer，避免重复匹配

参数调优建议

1. `look_ahead_window` (向前查找窗口)

作用：当顺序匹配失败时，在上一次匹配位置附近的窗口内查找。

推荐值：

顺序文档（如流水记录）：10-15
复杂版面（如多列排版）：15-25
表格密集型：5-10

调优方法：

# 如果发现匹配错位，可以适当增大窗口
merger = MinerUPaddleOCRMerger(look_ahead_window=20)

# 如果发现误匹配，可以适当减小窗口
merger = MinerUPaddleOCRMerger(look_ahead_window=8)

2. `similarity_threshold` (相似度阈值)

作用：控制文本匹配的严格程度。

推荐值：

高质量 OCR（如扫描件）：85-90
一般质量（如拍照）：75-85
低质量（如模糊图片）：70-80

调优方法：

# 如果发现漏匹配，可以降低阈值
merger = MinerUPaddleOCRMerger(similarity_threshold=75)

# 如果发现误匹配，可以提高阈值
merger = MinerUPaddleOCRMerger(similarity_threshold=90)

开发指南

扩展新的合并器

创建新的合并器类：

# ocr_tools/ocr_merger/my_custom_merger.py
import sys
from pathlib import Path

# 添加 ocr_platform 根目录到 Python 路径
ocr_platform_root = Path(__file__).parents[3]
if str(ocr_platform_root) not in sys.path:
sys.path.insert(0, str(ocr_platform_root))

from ocr_tools.ocr_merger.text_matcher import TextMatcher
from ocr_tools.ocr_merger.data_processor import DataProcessor
from ocr_utils import BBoxExtractor  # 从 ocr_utils 导入

class MyCustomMerger:
def __init__(self):
    self.text_matcher = TextMatcher()
    self.bbox_extractor = BBoxExtractor()  # 从 ocr_utils 导入
    self.data_processor = DataProcessor(self.text_matcher, look_ahead_window=10)
    
def merge_data(self, custom_json, paddle_json):
    # 实现自定义合并逻辑
    pass

在 DataProcessor 中添加处理方法：

# ocr_tools/ocr_merger/data_processor.py
def process_my_custom_data(self, custom_data, paddle_text_boxes, rotation_angle=0.0, orig_image_size=(0,0)):
# 处理自定义格式数据
pass

在 MarkdownGenerator 中添加格式化方法：

# ocr_tools/ocr_merger/markdown_generator.py
@staticmethod
def _format_my_custom_element(item: Dict) -> List[str]:
# 格式化自定义元素
pass

单元测试

# tests/test_merger.py
import sys
from pathlib import Path

# 添加 ocr_platform 根目录到 Python 路径
ocr_platform_root = Path(__file__).parents[2]  # 根据实际层级调整
if str(ocr_platform_root) not in sys.path:
    sys.path.insert(0, str(ocr_platform_root))

import pytest
from ocr_tools.ocr_merger import MinerUPaddleOCRMerger

def test_text_matching():
    merger = MinerUPaddleOCRMerger()
    # 测试文本匹配逻辑
    
def test_table_processing():
    merger = MinerUPaddleOCRMerger()
    # 测试表格处理逻辑

导入方式

在 ocr_platform 内部使用

import sys
from pathlib import Path

# 添加 ocr_platform 根目录到 Python 路径
ocr_platform_root = Path(__file__).parents[3]  # 根据实际层级调整
if str(ocr_platform_root) not in sys.path:
    sys.path.insert(0, str(ocr_platform_root))

# 导入 merger 组件
from ocr_tools.ocr_merger import (
    MinerUPaddleOCRMerger,
    PaddleOCRVLMerger,
    DotsOCRMerger,
    TableCellMatcher,
    TextMatcher
)

# 导入 BBoxExtractor（已迁移到 ocr_utils）
from ocr_utils import BBoxExtractor

在 ocr_merger 内部使用

# 相对导入（在同一包内）
from .text_matcher import TextMatcher
from .data_processor import DataProcessor

# 从 ocr_utils 导入 BBoxExtractor
from ocr_utils import BBoxExtractor

版本历史

v1.3.0 (当前版本)

✅ 迁移到 ocr_platform/ocr_tools/ocr_merger
✅ BBoxExtractor 提取到 ocr_utils/bbox_utils.py，供多个模块共享
✅ 更新所有导入路径，支持新的目录结构
✅ 保持向后兼容性

v1.2.0

✅ 新增 PaddleOCR_VL 合并支持
✅ 重构为模块化架构，提高代码复用率
✅ 新增自动格式检测功能
✅ 优化文本匹配算法
✅ 改进表格单元格 bbox 匹配

v1.1.0

✅ 优化表格合并单元格处理
✅ 新增批量处理模式
✅ 改进窗口回溯算法

v1.0.0

✅ 初始版本
✅ 支持 MinerU + PaddleOCR 合并
✅ 基本的文本匹配功能

运行试验数据

1. mineru-vlm-2.5.3

cd /Users/zhch158/workspace/repository.git/ocr_platform

echo "A用户_单元格扫描流水"
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/mineru-vlm-2.5.3_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/merged_results" \
  --output-type "both"

echo "B用户_扫描流水"
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/mineru-vlm-2.5.3_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/merged_results" \
  --output-type "both"

echo "德_内蒙古银行照"
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/mineru-vlm-2.5.3_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/merged_results" \
  --output-type "both"

echo "对公_招商银行图"
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/mineru-vlm-2.5.3_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/merged_results" \
  --output-type "both"

echo "至远彩色印刷工业有限公司"
python ocr_tools/ocr_merger/merge_mineru_paddle_ocr.py \
  --mineru-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/mineru-vlm-2.5.3_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/merged_results" \
  --output-type "both"

2. PaddleOCR_VL_Results

cd /Users/zhch158/workspace/repository.git/ocr_platform

echo "A用户_单元格扫描流水"
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/PaddleOCR_VL_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/A用户_单元格扫描流水/PaddleOCR_VL_Results_cell_bbox" \
  --output-type "both"

echo "B用户_扫描流水"
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/PaddleOCR_VL_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/PaddleOCR_VL_Results_cell_bbox" \
  --output-type "both"

echo "德_内蒙古银行照"
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/PaddleOCR_VL_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/德_内蒙古银行照/PaddleOCR_VL_Results_cell_bbox" \
  --output-type "both"

echo "对公_招商银行图"
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/PaddleOCR_VL_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/流水分析/对公_招商银行图/PaddleOCR_VL_Results_cell_bbox" \
  --output-type "both"

echo "至远彩色印刷工业有限公司"
python ocr_tools/ocr_merger/merge_paddleocr_vl_paddleocr.py \
  --paddleocr-vl-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/PaddleOCR_VL_Results" \
  --paddle-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/data_PPStructureV3_Results" \
  --output-dir "/Users/zhch158/workspace/data/至远彩色印刷工业有限公司/PaddleOCR_VL_Results_cell_bbox" \
  --output-type "both"

README.md

OCR 结果合并工具说明

概述

支持的合并方式

1. MinerU + PaddleOCR

2. PaddleOCR_VL + PaddleOCR

3. DotsOCR + PaddleOCR

目录结构

核心模块说明

1. 合并器类

MinerUPaddleOCRMerger (merger_core.py)

PaddleOCRVLMerger (paddleocr_vl_merger.py)

DotsOCRMerger (dotsocr_merger.py)

2. 共用模块

TextMatcher (text_matcher.py)

BBoxExtractor (ocr_utils/bbox_utils.py)

DataProcessor (data_processor.py)

MarkdownGenerator (markdown_generator.py)

使用方法

1. MinerU + PaddleOCR 合并

命令行使用

参数说明

2. PaddleOCR_VL + PaddleOCR 合并

命令行使用

参数说明

3. DotsOCR + PaddleOCR 合并

命令行使用

参数说明

输出格式

1. 增强的 Markdown

2. 合并的 JSON

MinerU 格式

PaddleOCR_VL 格式（转换为 MinerU 格式）

核心算法

1. 文本匹配算法

2. 表格单元格匹配算法

参数调优建议

1. look_ahead_window (向前查找窗口)

2. similarity_threshold (相似度阈值)

开发指南

扩展新的合并器

单元测试

导入方式

在 ocr_platform 内部使用

在 ocr_merger 内部使用

版本历史

v1.3.0 (当前版本)

v1.2.0

v1.1.0

v1.0.0

运行试验数据

1. mineru-vlm-2.5.3

2. PaddleOCR_VL_Results

`MinerUPaddleOCRMerger` (merger_core.py)

`PaddleOCRVLMerger` (paddleocr_vl_merger.py)

`DotsOCRMerger` (dotsocr_merger.py)

`TextMatcher` (text_matcher.py)

`BBoxExtractor` (ocr_utils/bbox_utils.py)

`DataProcessor` (data_processor.py)

`MarkdownGenerator` (markdown_generator.py)

1. `look_ahead_window` (向前查找窗口)

2. `similarity_threshold` (相似度阈值)