153 lines
4.3 KiB
Markdown
153 lines
4.3 KiB
Markdown
# 文档处理与 OCR
|
||
|
||
系统提供 4 种文档处理选项：
|
||
|
||
- **RapidOCR**: CPU 友好，无需 GPU，适合基础文字识别
|
||
- **MinerU**: 本地化高精度 VLM 解析，适合复杂 PDF 和表格文档
|
||
- **MinerU Official**: 官方云服务 API，无需本地部署，开箱即用
|
||
- **PaddleX**: 结构化解析，适合表格、票据等特殊格式
|
||
|
||
## 快速配置
|
||
|
||
### 1. 基础 OCR (RapidOCR)
|
||
|
||
```bash
|
||
# 下载模型
|
||
hf download SWHL/RapidOCR --local-dir ./models/SWHL/RapidOCR
|
||
|
||
# 启动服务
|
||
docker compose up -d api
|
||
```
|
||
|
||
### 2. 高精度 OCR (MinerU)
|
||
|
||
需要在 `.env` 文件中配置：
|
||
|
||
```bash
|
||
MINERU_VL_SERVER=http://localhost:30000
|
||
MINERU_API_URI=http://localhost:30001
|
||
```
|
||
|
||
然后启动相关服务
|
||
|
||
```bash
|
||
# 需要 GPU，启动 MinerU 服务
|
||
docker compose up -d mineru-vllm-server mineru-api
|
||
|
||
# 启动主服务
|
||
docker compose up -d api
|
||
```
|
||
|
||
### 3. 官方云服务 (MinerU Official)
|
||
|
||
API 密钥可以从 [MinerU 官网](https://mineru.net) 申请。
|
||
|
||
然后在 `.env` 文件中添加
|
||
|
||
```bash
|
||
# 设置 API 密钥环境变量
|
||
MINERU_API_KEY="your-api-key-here"
|
||
```
|
||
|
||
然后使用 `docker compose up -d api` 重启后端服务。
|
||
|
||
### 4. 结构化解析 (PaddleX)
|
||
|
||
```bash
|
||
# 需要 GPU，启动 PaddleX 服务
|
||
docker compose up -d paddlex
|
||
|
||
# 启动主服务
|
||
docker compose up -d api
|
||
```
|
||
|
||
## 处理器选择
|
||
|
||
| 处理器 | 适用场景 | 硬件要求 | 特点 |
|
||
|--------|----------|------------|------|
|
||
| **RapidOCR** | 基础文字识别 | CPU | 速度快，资源占用低 |
|
||
| **MinerU** | 复杂 PDF、表格、公式 | GPU | 精度高，版面分析好 |
|
||
| **MinerU Official** | 复杂文档解析（云服务） | 无特殊要求 | 官方云服务，开箱即用，有 API 配额 |
|
||
| **PaddleX** | 表格、票据、结构化文档 | GPU | 专业版面解析 |
|
||
|
||
## 参数说明
|
||
|
||
### enable_ocr 选项
|
||
- `disable`: 不启用 OCR（PDF 按文本提取，图片**必须选择 OCR 方式**）
|
||
- `onnx_rapid_ocr`: RapidOCR 处理
|
||
- `mineru_ocr`: MinerU HTTP API 处理
|
||
- `mineru_official`: MinerU 官方云服务 API 处理
|
||
- `paddlex_ocr`: PaddleX 处理
|
||
|
||
### 注意事项
|
||
- **图片文件必须启用 OCR**，否则无法提取内容
|
||
- MinerU 和 PaddleX 需要 GPU 支持
|
||
- MinerU Official 需要设置 `MINERU_API_KEY` 环境变量
|
||
- RapidOCR 适合 CPU 环境和基础识别需求
|
||
|
||
## 故障排除
|
||
|
||
### 常见问题
|
||
|
||
1. **RapidOCR 模型不存在**
|
||
```bash
|
||
# 下载模型
|
||
huggingface-cli download SWHL/RapidOCR --local-dir ./models/SWHL/RapidOCR
|
||
```
|
||
|
||
2. **GPU 服务连接失败**
|
||
```bash
|
||
# 检查服务状态
|
||
docker compose ps
|
||
|
||
# 查看日志
|
||
docker compose logs mineru
|
||
```
|
||
|
||
3. **健康检查**
|
||
```bash
|
||
# 检查所有 OCR 服务状态
|
||
curl http://localhost:5050/system/health/ocr-services
|
||
```
|
||
|
||
## 批量处理脚本
|
||
|
||
系统提供便捷的批量处理脚本，用于高效批量上传文档。
|
||
|
||
### 文件上传脚本
|
||
|
||
使用 `scripts/batch_upload.py` 批量上传文件到知识库：
|
||
|
||
```bash
|
||
# 批量上传文档（多种格式）
|
||
uv run scripts/batch_upload.py \
|
||
--db-id kb_b2730ad6801b149694021106c7eddd38 \
|
||
--directory data.nogit/农业农村局 \
|
||
--pattern "*.docx" --pattern "*.txt" --pattern "*.html" \
|
||
--base-url http://172.19.13.6:5050/api \
|
||
--username admin \
|
||
--password admin123 \
|
||
--batch-size 20 \
|
||
--wait-for-completion \
|
||
--poll-interval 5 \
|
||
--recursive \
|
||
--enable-ocr mineru_ocr \ # mineru_official, paddlex_ocr, onnx_rapid_ocr
|
||
--record-file scripts/tmp/batch_processed_files_1029.txt
|
||
```
|
||
|
||
**参数说明**:
|
||
- `--db-id`: 目标知识库 ID
|
||
- `--directory`: 文件目录路径
|
||
- `--pattern`: 文件匹配模式，可以多次指定以支持多种格式（例如：`--pattern "*.docx" --pattern "*.pdf" --pattern "*.html"`）
|
||
- `--batch-size`: 每批处理的文件数量（默认20）
|
||
- `--wait-for-completion`: 是否等待任务完成再处理下一批（默认开启）
|
||
- `--poll-interval`: 任务状态检查间隔，单位秒（默认5秒）
|
||
- `--recursive`: 递归处理子目录
|
||
- `--record-file`: 处理记录文件路径
|
||
|
||
**注意事项**:
|
||
- 系统按"内容哈希"进行去重；同一知识库已存在相同内容的文件会被拒绝（409）
|
||
- 建议根据系统性能调整批次大小
|
||
- 大量文件处理时建议开启分批等待功能
|
||
- 先上传后处理的机制更稳定，适合大批量文档导入
|