ForcePilot/docs/advanced/document-processing.md

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)

# 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)

需要配置：

MINERU_VL_SERVER=http://localhost:30000
MINERU_API_URI=http://localhost:30001

然后启动相关服务

# 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 申请。

# 设置 API 密钥环境变量
export MINERU_API_KEY="your-api-key-here"

# 启动主服务
docker compose up -d api

4. 结构化解析 (PaddleX)

# 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

   # 下载模型
   huggingface-cli download SWHL/RapidOCR --local-dir ./models/SWHL/RapidOCR
   

2. GPU 服务连接失败

   # 检查服务状态
   docker compose ps
   
   # 查看日志
   docker compose logs mineru
   

3. 健康检查

   # 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 upload 批量上传文件到知识库：

# 批量上传文档
uv run scripts/batch_upload.py upload \
    --db-id your_kb_id \
    --directory path/to/your/data \
    --pattern "*.docx" \
    --base-url http://127.0.0.1:5050/api \
    --username your_username \
    --password your_password \
    --concurrency 4 \
    --recursive \
    --record-file scripts/tmp/batch_processed_files.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
• --concurrency: 并发处理数量
• --recursive: 递归处理子目录
• --record-file: 处理记录文件路径

提示：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）。

脚本功能

• 进度跟踪: 实时显示处理进度
• 错误处理: 自动跳过无法处理的文件
• 断点续传: 支持中断后继续处理
• 日志记录: 详细记录处理过程
• 结果统计: 处理完成后显示统计信息

更多关于“入库参数、导出数据、支持类型”等，请参阅：介绍 → 知识库与知识图谱 → 文档管理。