|
|
@@ -0,0 +1,587 @@
|
|
|
+# 🚀 Streamlit OCR可视化校验工具使用指南
|
|
|
+
|
|
|
+## 🎯 工具介绍
|
|
|
+
|
|
|
+基于Streamlit开发的OCR可视化校验工具，提供现代化的Web界面和丰富的交互体验，让OCR结果校验变得直观高效。特别新增了强大的表格数据分析功能。
|
|
|
+
|
|
|
+### 🔧 核心功能
|
|
|
+
|
|
|
+- ✅ **实时交互**: 点击文本即时高亮图片位置
|
|
|
+- ✅ **动态过滤**: 搜索、类别筛选、条件过滤
|
|
|
+- ✅ **数据表格**: 可排序的详细数据视图
|
|
|
+- ✅ **统计信息**: 实时统计和进度跟踪
|
|
|
+- ✅ **错误标记**: 一键标记和管理识别错误
|
|
|
+- ✅ **报告导出**: 生成详细的校验报告
|
|
|
+- ⭐ **表格分析**: HTML表格转DataFrame，支持过滤、排序、导出
|
|
|
+- ⭐ **多种渲染**: HTML/Markdown/DataFrame/原始文本四种显示模式
|
|
|
+
|
|
|
+## 🚀 快速启动
|
|
|
+
|
|
|
+### 1. 安装依赖
|
|
|
+
|
|
|
+```bash
|
|
|
+# 安装Streamlit和相关依赖
|
|
|
+pip install streamlit plotly pandas pillow numpy opencv-python openpyxl
|
|
|
+```
|
|
|
+
|
|
|
+### 2. 启动应用
|
|
|
+
|
|
|
+```bash
|
|
|
+# 方法1: 完整功能版本
|
|
|
+python -m streamlit run streamlit_ocr_validator.py
|
|
|
+
|
|
|
+# 方法2: 使用启动脚本
|
|
|
+python run_streamlit_validator.py
|
|
|
+
|
|
|
+# 方法3: 开发模式（自动重载）
|
|
|
+streamlit run streamlit_ocr_validator.py --server.runOnSave true
|
|
|
+```
|
|
|
+
|
|
|
+### 3. 访问界面
|
|
|
+
|
|
|
+浏览器会自动打开 http://localhost:8501，如果没有自动打开，请手动访问该地址。
|
|
|
+
|
|
|
+## 🖥️ 界面使用指南
|
|
|
+
|
|
|
+### 主界面布局
|
|
|
+
|
|
|
+```
|
|
|
+┌─────────────────────────────────────────────────────────────────────┐
|
|
|
+│ 🔍 OCR可视化校验工具 │
|
|
|
+├─────────────────────────────────────────────────────────────────────┤
|
|
|
+│ 📊 总文本块: 13 🔗 可点击: 9 ❌ 标记错误: 2 ✅ 准确率: 85.7% │
|
|
|
+├─────────────────────────┬───────────────────────────────────────────┤
|
|
|
+│ 📄 OCR识别内容 │ 🖼️ 原图标注 │
|
|
|
+│ │ │
|
|
|
+│ 🔍 搜索框 │ [显示选中位置的红框标注] │
|
|
|
+│ 📍 选择文本下拉框 │ [图片缩放和详细信息] │
|
|
|
+│ │ │
|
|
|
+│ 📝 MD内容预览 │ 📍 选中文本详情 │
|
|
|
+│ [4种渲染模式选择] │ - 文本内容: xxx │
|
|
|
+│ ○ HTML渲染 │ - 位置: [x1,y1,x2,y2] │
|
|
|
+│ ● Markdown渲染 │ - 宽度: xxx px │
|
|
|
+│ ○ DataFrame表格 ⭐ │ - 高度: xxx px │
|
|
|
+│ ○ 原始文本 │ │
|
|
|
+│ │ │
|
|
|
+│ 🎯 可点击文本列表 │ │
|
|
|
+│ [📍 文本1] [❌] [✅] │ │
|
|
|
+│ [📍 文本2] [❌] [✅] │ │
|
|
|
+└─────────────────────────┴───────────────────────────────────────────┘
|
|
|
+```
|
|
|
+
|
|
|
+### 侧边栏功能
|
|
|
+
|
|
|
+```
|
|
|
+┌─────────────────────┐
|
|
|
+│ 📁 文件选择 │
|
|
|
+│ [选择OCR结果文件] │
|
|
|
+│ [🔄 加载文件] │
|
|
|
+│ │
|
|
|
+│ 🎛️ 控制面板 │
|
|
|
+│ [🧹 清除选择] │
|
|
|
+│ [❌ 清除错误标记] │
|
|
|
+│ │
|
|
|
+│ 📊 表格快捷操作 ⭐ │
|
|
|
+│ [🔍 快速预览表格] │
|
|
|
+│ [📥 一键导出所有表格] │
|
|
|
+│ │
|
|
|
+│ 🔧 调试信息 │
|
|
|
+│ [调试信息开关] │
|
|
|
+└─────────────────────┘
|
|
|
+```
|
|
|
+
|
|
|
+### 使用步骤
|
|
|
+
|
|
|
+1. **选择文件**
|
|
|
+ - 从侧边栏下拉框中选择OCR结果JSON文件
|
|
|
+ - 点击"🔄 加载文件"按钮加载数据
|
|
|
+ - 查看顶部统计信息确认加载成功
|
|
|
+
|
|
|
+2. **浏览统计信息**
|
|
|
+ - 查看总文本块数量
|
|
|
+ - 了解可点击文本数量
|
|
|
+ - 确认图片是否正确加载
|
|
|
+ - 查看当前准确率
|
|
|
+
|
|
|
+3. **交互校验**
|
|
|
+ - 使用下拉框选择要校验的文本
|
|
|
+ - 点击左侧的"📍 文本内容"按钮
|
|
|
+ - 观察右侧图片上的红色框标注
|
|
|
+ - 查看右下角显示的详细位置信息
|
|
|
+
|
|
|
+4. **搜索过滤**
|
|
|
+ - 使用搜索框快速定位特定文本
|
|
|
+ - 在MD内容预览中查看完整识别结果
|
|
|
+ - 通过搜索结果快速定位问题文本
|
|
|
+
|
|
|
+5. **表格数据分析** ⭐ 新增
|
|
|
+ - 选择"DataFrame表格"渲染模式
|
|
|
+ - 查看自动解析的HTML表格
|
|
|
+ - 使用过滤、排序功能分析数据
|
|
|
+ - 查看表格统计信息
|
|
|
+ - 导出CSV或Excel文件
|
|
|
+
|
|
|
+6. **错误标记管理**
|
|
|
+ - 点击文本旁边的"❌"按钮标记错误
|
|
|
+ - 点击"✅"按钮取消错误标记
|
|
|
+ - 观察准确率的实时变化
|
|
|
+ - 使用侧边栏批量清除标记
|
|
|
+
|
|
|
+## 🎨 高级功能
|
|
|
+
|
|
|
+### 完整版本独有功能 (`streamlit_ocr_validator.py`)
|
|
|
+
|
|
|
+#### 📊 错误标记系统
|
|
|
+- **标记错误**: 点击文本旁边的"❌"按钮标记识别错误
|
|
|
+- **取消标记**: 点击"✅"按钮取消错误标记
|
|
|
+- **统计准确率**: 自动计算识别准确率
|
|
|
+- **错误过滤**: 只显示标记为错误的文本
|
|
|
+- **批量操作**: 侧边栏提供批量清除功能
|
|
|
+
|
|
|
+#### 📈 表格数据分析 ⭐ 核心新功能
|
|
|
+- **智能表格检测**: 自动识别HTML表格内容
|
|
|
+- **DataFrame转换**: 将HTML表格转换为可操作的pandas DataFrame
|
|
|
+- **多维度操作**: 支持过滤、排序、搜索等操作
|
|
|
+- **统计分析**: 自动生成表格行列数、数值列统计等信息
|
|
|
+- **数据导出**: 支持CSV、Excel格式导出
|
|
|
+- **可视化图表**: 基于表格数据生成统计图表
|
|
|
+
|
|
|
+#### 🎛️ 多种渲染模式
|
|
|
+- **HTML渲染**: 原生HTML表格显示，保持格式
|
|
|
+- **Markdown渲染**: 转换为Markdown表格格式
|
|
|
+- **DataFrame表格**: 转换为可交互的数据表格 ⭐
|
|
|
+- **原始文本**: 纯文本格式显示
|
|
|
+
|
|
|
+#### 🔧 侧边栏控制
|
|
|
+- **文件管理**: 侧边栏选择和管理OCR文件
|
|
|
+- **控制面板**: 清除选择、清除错误标记等操作
|
|
|
+- **表格快捷操作**: 快速预览和导出表格功能 ⭐
|
|
|
+- **调试信息**: 详细的系统状态和数据信息
|
|
|
+
|
|
|
+#### 📊 过滤和筛选
|
|
|
+- **多条件过滤**: 按类别、错误状态、尺寸等多重筛选
|
|
|
+- **实时搜索**: 动态搜索文本内容
|
|
|
+- **数据表格**: 可排序、可筛选的完整数据视图
|
|
|
+
|
|
|
+### 表格分析功能详解 ⭐
|
|
|
+
|
|
|
+#### 功能特性
|
|
|
+
|
|
|
+```python
|
|
|
+# 表格检测和转换
|
|
|
+if '<table>' in display_content.lower():
|
|
|
+ st.session_state.validator.display_html_table_as_dataframe(display_content)
|
|
|
+else:
|
|
|
+ st.info("当前内容中没有检测到HTML表格")
|
|
|
+```
|
|
|
+
|
|
|
+#### 支持的表格操作
|
|
|
+
|
|
|
+1. **基础操作**
|
|
|
+ - 自动检测HTML表格
|
|
|
+ - 转换为pandas DataFrame
|
|
|
+ - 表格信息统计（行数、列数、列名等）
|
|
|
+
|
|
|
+2. **数据过滤**
|
|
|
+ - 按列内容过滤
|
|
|
+ - 支持文本搜索
|
|
|
+ - 条件筛选
|
|
|
+
|
|
|
+3. **数据排序**
|
|
|
+ - 按任意列排序
|
|
|
+ - 升序/降序选择
|
|
|
+ - 多列排序
|
|
|
+
|
|
|
+4. **统计分析**
|
|
|
+ - 数值列描述性统计
|
|
|
+ - 数据类型分析
|
|
|
+ - 缺失值统计
|
|
|
+
|
|
|
+5. **数据导出**
|
|
|
+ - CSV格式导出
|
|
|
+ - Excel格式导出
|
|
|
+ - 支持过滤后数据导出
|
|
|
+
|
|
|
+#### 使用示例
|
|
|
+
|
|
|
+```python
|
|
|
+# 在streamlit界面中
|
|
|
+def display_html_table_as_dataframe(self, html_content: str, enable_editing: bool = False):
|
|
|
+ """将HTML表格解析为DataFrame显示"""
|
|
|
+ import pandas as pd
|
|
|
+ from io import StringIO, BytesIO
|
|
|
+
|
|
|
+ try:
|
|
|
+ # 使用pandas直接读取HTML表格
|
|
|
+ tables = pd.read_html(StringIO(html_content))
|
|
|
+ if tables:
|
|
|
+ for i, table in enumerate(tables):
|
|
|
+ st.subheader(f"📊 表格 {i+1}")
|
|
|
+
|
|
|
+ # 创建表格操作按钮
|
|
|
+ col1, col2, col3, col4 = st.columns(4)
|
|
|
+ with col1:
|
|
|
+ show_info = st.checkbox(f"显示表格信息", key=f"info_{i}")
|
|
|
+ with col2:
|
|
|
+ show_stats = st.checkbox(f"显示统计信息", key=f"stats_{i}")
|
|
|
+ with col3:
|
|
|
+ enable_filter = st.checkbox(f"启用过滤", key=f"filter_{i}")
|
|
|
+ with col4:
|
|
|
+ enable_sort = st.checkbox(f"启用排序", key=f"sort_{i}")
|
|
|
+
|
|
|
+ # 显示表格
|
|
|
+ st.dataframe(table, use_container_width=True)
|
|
|
+```
|
|
|
+
|
|
|
+## 🔧 自定义开发
|
|
|
+
|
|
|
+### 扩展功能开发
|
|
|
+
|
|
|
+#### 1. 添加新的表格处理功能 ⭐
|
|
|
+
|
|
|
+```python
|
|
|
+import plotly.express as px
|
|
|
+import streamlit as st
|
|
|
+
|
|
|
+def create_table_visualization(df):
|
|
|
+ """创建表格数据可视化"""
|
|
|
+ if not df.empty:
|
|
|
+ numeric_cols = df.select_dtypes(include=[np.number]).columns
|
|
|
+
|
|
|
+ if len(numeric_cols) > 0:
|
|
|
+ # 创建统计图表
|
|
|
+ fig = px.bar(
|
|
|
+ x=df.index,
|
|
|
+ y=df[numeric_cols[0]],
|
|
|
+ title=f"{numeric_cols[0]} 分布"
|
|
|
+ )
|
|
|
+ st.plotly_chart(fig, use_container_width=True)
|
|
|
+
|
|
|
+ # 创建散点图
|
|
|
+ if len(numeric_cols) > 1:
|
|
|
+ fig_scatter = px.scatter(
|
|
|
+ df,
|
|
|
+ x=numeric_cols[0],
|
|
|
+ y=numeric_cols[1],
|
|
|
+ title=f"{numeric_cols[0]} vs {numeric_cols[1]}"
|
|
|
+ )
|
|
|
+ st.plotly_chart(fig_scatter, use_container_width=True)
|
|
|
+
|
|
|
+# 在主应用中使用
|
|
|
+if st.checkbox("显示数据可视化"):
|
|
|
+ create_table_visualization(filtered_table)
|
|
|
+```
|
|
|
+
|
|
|
+#### 2. 高级表格编辑功能
|
|
|
+
|
|
|
+```python
|
|
|
+def advanced_table_editor(df):
|
|
|
+ """高级表格编辑器"""
|
|
|
+ st.subheader("🔧 高级编辑")
|
|
|
+
|
|
|
+ # 数据编辑
|
|
|
+ edited_df = st.data_editor(
|
|
|
+ df,
|
|
|
+ use_container_width=True,
|
|
|
+ num_rows="dynamic", # 允许添加删除行
|
|
|
+ key="advanced_editor"
|
|
|
+ )
|
|
|
+
|
|
|
+ # 数据验证
|
|
|
+ if not edited_df.equals(df):
|
|
|
+ st.success("✏️ 数据已修改")
|
|
|
+
|
|
|
+ # 显示变更统计
|
|
|
+ changes = len(edited_df) - len(df)
|
|
|
+ st.info(f"行数变化: {changes:+d}")
|
|
|
+
|
|
|
+ # 导出修改后的数据
|
|
|
+ if st.button("💾 保存修改"):
|
|
|
+ csv_data = edited_df.to_csv(index=False)
|
|
|
+ st.download_button(
|
|
|
+ "下载修改后的数据",
|
|
|
+ csv_data,
|
|
|
+ "modified_table.csv",
|
|
|
+ "text/csv"
|
|
|
+ )
|
|
|
+
|
|
|
+ return edited_df
|
|
|
+```
|
|
|
+
|
|
|
+#### 3. 批量表格处理
|
|
|
+
|
|
|
+```python
|
|
|
+def batch_table_processing():
|
|
|
+ """批量表格处理功能"""
|
|
|
+ st.subheader("📦 批量表格处理")
|
|
|
+
|
|
|
+ uploaded_files = st.file_uploader(
|
|
|
+ "上传多个包含表格的文件",
|
|
|
+ type=['md', 'html'],
|
|
|
+ accept_multiple_files=True
|
|
|
+ )
|
|
|
+
|
|
|
+ if uploaded_files and st.button("开始批量处理"):
|
|
|
+ all_tables = []
|
|
|
+ progress_bar = st.progress(0)
|
|
|
+
|
|
|
+ for i, file in enumerate(uploaded_files):
|
|
|
+ content = file.read().decode('utf-8')
|
|
|
+
|
|
|
+ if '<table' in content.lower():
|
|
|
+ tables = pd.read_html(StringIO(content))
|
|
|
+ for j, table in enumerate(tables):
|
|
|
+ table['source_file'] = file.name
|
|
|
+ table['table_index'] = j
|
|
|
+ all_tables.append(table)
|
|
|
+
|
|
|
+ progress_bar.progress((i + 1) / len(uploaded_files))
|
|
|
+
|
|
|
+ if all_tables:
|
|
|
+ st.success(f"✅ 共处理 {len(all_tables)} 个表格")
|
|
|
+
|
|
|
+ # 合并所有表格
|
|
|
+ if st.checkbox("合并所有表格"):
|
|
|
+ try:
|
|
|
+ merged_df = pd.concat(all_tables, ignore_index=True)
|
|
|
+ st.dataframe(merged_df)
|
|
|
+
|
|
|
+ # 导出合并结果
|
|
|
+ csv_data = merged_df.to_csv(index=False)
|
|
|
+ st.download_button(
|
|
|
+ "下载合并表格",
|
|
|
+ csv_data,
|
|
|
+ "merged_tables.csv",
|
|
|
+ "text/csv"
|
|
|
+ )
|
|
|
+ except Exception as e:
|
|
|
+ st.error(f"合并失败: {e}")
|
|
|
+```
|
|
|
+
|
|
|
+#### 4. 表格数据质量检查 ⭐
|
|
|
+
|
|
|
+```python
|
|
|
+def table_quality_check(df):
|
|
|
+ """表格数据质量检查"""
|
|
|
+ st.subheader("🔍 数据质量检查")
|
|
|
+
|
|
|
+ # 基础统计
|
|
|
+ col1, col2, col3 = st.columns(3)
|
|
|
+ with col1:
|
|
|
+ st.metric("总行数", len(df))
|
|
|
+ with col2:
|
|
|
+ st.metric("总列数", len(df.columns))
|
|
|
+ with col3:
|
|
|
+ null_percent = (df.isnull().sum().sum() / (len(df) * len(df.columns))) * 100
|
|
|
+ st.metric("缺失值比例", f"{null_percent:.1f}%")
|
|
|
+
|
|
|
+ # 详细质量报告
|
|
|
+ quality_issues = []
|
|
|
+
|
|
|
+ # 检查空值
|
|
|
+ null_cols = df.columns[df.isnull().any()].tolist()
|
|
|
+ if null_cols:
|
|
|
+ quality_issues.append(f"发现 {len(null_cols)} 列存在空值: {', '.join(null_cols)}")
|
|
|
+
|
|
|
+ # 检查重复行
|
|
|
+ duplicate_rows = df.duplicated().sum()
|
|
|
+ if duplicate_rows > 0:
|
|
|
+ quality_issues.append(f"发现 {duplicate_rows} 行重复数据")
|
|
|
+
|
|
|
+ # 检查数据类型一致性
|
|
|
+ for col in df.columns:
|
|
|
+ if df[col].dtype == 'object':
|
|
|
+ # 检查是否应该是数值类型
|
|
|
+ numeric_like = df[col].str.replace(',', '').str.replace('$', '')
|
|
|
+ try:
|
|
|
+ pd.to_numeric(numeric_like, errors='raise')
|
|
|
+ quality_issues.append(f"列 '{col}' 可能应该是数值类型")
|
|
|
+ except:
|
|
|
+ pass
|
|
|
+
|
|
|
+ if quality_issues:
|
|
|
+ st.warning("⚠️ 发现数据质量问题:")
|
|
|
+ for issue in quality_issues:
|
|
|
+ st.write(f"- {issue}")
|
|
|
+ else:
|
|
|
+ st.success("✅ 数据质量良好")
|
|
|
+```
|
|
|
+
|
|
|
+## 📊 性能优化
|
|
|
+
|
|
|
+### 1. 缓存优化
|
|
|
+
|
|
|
+```python
|
|
|
+@st.cache_data
|
|
|
+def load_and_process_ocr_data(file_path: str):
|
|
|
+ """缓存OCR数据加载和处理"""
|
|
|
+ with open(file_path, 'r') as f:
|
|
|
+ ocr_data = json.load(f)
|
|
|
+
|
|
|
+ # 处理数据
|
|
|
+ processed_data = process_ocr_data(ocr_data)
|
|
|
+ return processed_data
|
|
|
+
|
|
|
+@st.cache_resource
|
|
|
+def load_image(image_path: str):
|
|
|
+ """缓存图片加载"""
|
|
|
+ return Image.open(image_path)
|
|
|
+
|
|
|
+@st.cache_data
|
|
|
+def parse_html_tables(html_content: str):
|
|
|
+ """缓存表格解析结果"""
|
|
|
+ try:
|
|
|
+ tables = pd.read_html(StringIO(html_content))
|
|
|
+ return tables
|
|
|
+ except:
|
|
|
+ return []
|
|
|
+```
|
|
|
+
|
|
|
+### 2. 大文件处理
|
|
|
+
|
|
|
+```python
|
|
|
+def handle_large_tables():
|
|
|
+ """处理大型表格"""
|
|
|
+ if 'page_size' not in st.session_state:
|
|
|
+ st.session_state.page_size = 100
|
|
|
+
|
|
|
+ # 分页显示表格
|
|
|
+ if not df.empty:
|
|
|
+ total_rows = len(df)
|
|
|
+ pages = (total_rows - 1) // st.session_state.page_size + 1
|
|
|
+
|
|
|
+ col1, col2, col3 = st.columns([1, 2, 1])
|
|
|
+ with col2:
|
|
|
+ current_page = st.slider("页数", 1, pages, 1)
|
|
|
+
|
|
|
+ # 显示当前页数据
|
|
|
+ start_idx = (current_page - 1) * st.session_state.page_size
|
|
|
+ end_idx = min(start_idx + st.session_state.page_size, total_rows)
|
|
|
+ current_df = df.iloc[start_idx:end_idx]
|
|
|
+
|
|
|
+ st.dataframe(current_df, use_container_width=True)
|
|
|
+ st.info(f"显示第 {start_idx+1}-{end_idx} 行，共 {total_rows} 行")
|
|
|
+```
|
|
|
+
|
|
|
+### 3. 内存优化
|
|
|
+
|
|
|
+```python
|
|
|
+def optimize_dataframe_memory(df):
|
|
|
+ """优化DataFrame内存使用"""
|
|
|
+ initial_memory = df.memory_usage(deep=True).sum()
|
|
|
+
|
|
|
+ # 优化数值类型
|
|
|
+ for col in df.select_dtypes(include=['int']).columns:
|
|
|
+ df[col] = pd.to_numeric(df[col], downcast='integer')
|
|
|
+
|
|
|
+ for col in df.select_dtypes(include=['float']).columns:
|
|
|
+ df[col] = pd.to_numeric(df[col], downcast='float')
|
|
|
+
|
|
|
+ # 优化字符串类型
|
|
|
+ for col in df.select_dtypes(include=['object']).columns:
|
|
|
+ if df[col].nunique() < len(df) * 0.5: # 如果唯一值少于50%，转换为category
|
|
|
+ df[col] = df[col].astype('category')
|
|
|
+
|
|
|
+ final_memory = df.memory_usage(deep=True).sum()
|
|
|
+ reduction = (initial_memory - final_memory) / initial_memory * 100
|
|
|
+
|
|
|
+ st.info(f"内存优化：减少 {reduction:.1f}% ({initial_memory/1024/1024:.1f}MB → {final_memory/1024/1024:.1f}MB)")
|
|
|
+
|
|
|
+ return df
|
|
|
+```
|
|
|
+
|
|
|
+## 🚀 部署指南
|
|
|
+
|
|
|
+### 本地开发部署
|
|
|
+
|
|
|
+```bash
|
|
|
+# 开发模式运行（自动重载）
|
|
|
+streamlit run streamlit_ocr_validator.py --server.runOnSave true
|
|
|
+
|
|
|
+# 指定端口运行
|
|
|
+streamlit run streamlit_ocr_validator.py --server.port 8502
|
|
|
+
|
|
|
+# 指定主机运行（局域网访问）
|
|
|
+streamlit run streamlit_ocr_validator.py --server.address 0.0.0.0
|
|
|
+```
|
|
|
+
|
|
|
+### Docker部署
|
|
|
+
|
|
|
+```dockerfile
|
|
|
+FROM python:3.9-slim
|
|
|
+
|
|
|
+WORKDIR /app
|
|
|
+
|
|
|
+# 安装系统依赖
|
|
|
+RUN apt-update && apt-get install -y \
|
|
|
+ libgl1-mesa-glx \
|
|
|
+ libglib2.0-0 \
|
|
|
+ libsm6 \
|
|
|
+ libxext6 \
|
|
|
+ libxrender-dev \
|
|
|
+ libgomp1 \
|
|
|
+ && rm -rf /var/lib/apt/lists/*
|
|
|
+
|
|
|
+# 安装Python依赖
|
|
|
+COPY requirements.txt .
|
|
|
+RUN pip install -r requirements.txt
|
|
|
+
|
|
|
+COPY . .
|
|
|
+
|
|
|
+EXPOSE 8501
|
|
|
+CMD ["streamlit", "run", "streamlit_ocr_validator.py", "--server.address=0.0.0.0"]
|
|
|
+```
|
|
|
+
|
|
|
+### Streamlit Cloud部署
|
|
|
+
|
|
|
+1. 将代码推送到GitHub仓库
|
|
|
+2. 访问 https://share.streamlit.io/
|
|
|
+3. 连接GitHub仓库并部署
|
|
|
+4. 设置环境变量（如API密钥）
|
|
|
+
|
|
|
+## 💡 最佳实践
|
|
|
+
|
|
|
+### 1. 用户体验优化
|
|
|
+
|
|
|
+- **加载状态**: 使用`st.spinner()`显示加载状态
|
|
|
+- **错误处理**: 使用`st.error()`友好地显示错误信息
|
|
|
+- **进度提示**: 使用`st.progress()`显示处理进度
|
|
|
+- **数据缓存**: 合理使用`@st.cache_data`提升性能
|
|
|
+
|
|
|
+### 2. 界面设计
|
|
|
+
|
|
|
+- **布局清晰**: 使用`st.columns()`合理分布内容
|
|
|
+- **视觉层次**: 使用不同级别的标题和分隔符
|
|
|
+- **交互反馈**: 及时响应用户操作
|
|
|
+- **移动友好**: 考虑不同屏幕尺寸的适配
|
|
|
+
|
|
|
+### 3. 表格处理最佳实践 ⭐
|
|
|
+
|
|
|
+- **大表格处理**: 对超过1000行的表格启用分页显示
|
|
|
+- **内存管理**: 使用数据类型优化减少内存使用
|
|
|
+- **导出优化**: 大表格导出时显示进度条
|
|
|
+- **错误处理**: 优雅处理表格解析失败的情况
|
|
|
+
|
|
|
+### 4. 数据安全
|
|
|
+
|
|
|
+- **输入验证**: 验证上传文件的格式和内容
|
|
|
+- **错误处理**: 妥善处理异常情况
|
|
|
+- **资源清理**: 及时清理临时文件和内存
|
|
|
+
|
|
|
+## 🎉 总结
|
|
|
+
|
|
|
+Streamlit版本的OCR校验工具经过升级后提供了更加强大的功能：
|
|
|
+
|
|
|
+✅ **基础功能**：实时交互、动态更新、错误管理
|
|
|
+✅ **表格分析**：HTML表格转DataFrame、多种操作、导出功能 ⭐
|
|
|
+✅ **数据处理**：过滤、排序、统计分析、可视化 ⭐
|
|
|
+✅ **批量操作**：多文件处理、批量导出、合并功能 ⭐
|
|
|
+✅ **质量检查**：数据质量分析、问题检测、优化建议 ⭐
|
|
|
+✅ **扩展性**：易于添加新功能和自定义组件
|
|
|
+✅ **用户体验**：现代化界面、响应式设计、直观操作
|
|
|
+
|
|
|
+新增的表格分析功能使其不仅能够校验OCR结果，更能深入分析表格数据，成为一个完整的OCR数据处理工作台！
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+> 🌟 **特别推荐**：使用DataFrame表格模式分析财务报表等结构化数据，体验完整的数据处理工作流程。
|
