ocr_verify/table_line_generator/editor/data_processor.py

import streamlit as st
import json

# 当直接运行时
import sys
from pathlib import Path
sys.path.insert(0, str(Path(__file__).parent.parent))
from table_line_generator import TableLineGenerator  # 上级目录

def parse_ocr_data(ocr_data):
    """解析OCR数据，支持多种格式"""
    # 如果是字符串，尝试解析
    if isinstance(ocr_data, str):
        try:
            ocr_data = json.loads(ocr_data)
        except json.JSONDecodeError:
            st.error("❌ JSON 格式错误，无法解析")
            return []
    
    # 检查是否为 PPStructure V3 格式
    if isinstance(ocr_data, dict) and 'parsing_res_list' in ocr_data and 'overall_ocr_res' in ocr_data:
        st.info("🔍 检测到 PPStructure V3 格式")
        
        try:
            table_bbox, text_boxes = TableLineGenerator.parse_ppstructure_result(ocr_data)
            st.success(f"✅ 表格区域: {table_bbox}")
            st.success(f"✅ 表格内文本框: {len(text_boxes)} 个")
            return text_boxes
        except Exception as e:
            st.error(f"❌ 解析 PPStructure 结果失败: {e}")
            return []
    
    # 确保是列表
    if not isinstance(ocr_data, list):
        st.error(f"❌ OCR 数据应该是列表，实际类型: {type(ocr_data)}")
        return []
    
    if not ocr_data:
        st.warning("⚠️ OCR 数据为空")
        return []
    
    first_item = ocr_data[0]
    if not isinstance(first_item, dict):
        st.error(f"❌ OCR 数据项应该是字典，实际类型: {type(first_item)}")
        return []
    
    if 'bbox' not in first_item:
        st.error("❌ OCR 数据缺少 'bbox' 字段")
        st.info("💡 支持的格式示例:\n```json\n[\n  {\n    \"text\": \"文本\",\n    \"bbox\": [x1, y1, x2, y2]\n  }\n]\n```")
        return []
    
    return ocr_data