文档处理系统
本系统用于处理和转换文档,支持PDF和Word文档的处理。
系统要求
必需组件
-
Python 3.8 或更高版本
-
LibreOffice(用于文档格式转换)
- 下载地址:https://www.libreoffice.org/download/download/
- 安装后需要将安装目录(通常是
C:\Program Files\LibreOffice\program
或C:\Program Files (x86)\LibreOffice\program
)添加到系统 PATH 环境变量 - 如果安装后仍然报错,请尝试重启系统
-
Tesseract OCR(用于图片文字识别)
- 下载地址:https://github.com/UB-Mannheim/tesseract/wiki
- 安装时选择"添加到系统路径"选项
Python 依赖
所有必需的 Python 包都列在 requirements.txt
文件中。使用以下命令安装:
pip install -r requirements.txt
功能特性
- 支持多种文档格式的处理:
- PDF 文件
- Word 文档 (.doc, .docx)
- HTML 文件 (.html, .htm)
- Excel 文件 (.xls, .xlsx)
- 自动提取文档中的表格和图片
- 智能清理和格式化文本内容
- 支持多种输出格式:
- Word 文档 (.docx)
- 纯文本文件 (.txt)
- Markdown 文件 (.md)
- 提供 RESTful API 接口
- 高级OCR图像识别功能:
- 独立的OCR测试Web界面
- 多种图像预处理算法
- 支持中文优化的OCR处理
- 自动选择最佳OCR结果
- 直观显示不同处理方法的效果对比
- 可视化处理前后的图像变化
最近更新
2024年6月15日
- 移除文档中的图片标题
- 移除了清洗后文档中的"图1"、"图2"等图片标题
- 保留图片在文档中的原始位置和显示
- 简化文档结构,使文档更加简洁
- 优化图片处理流程,确保只保留图片内容
- 保持文本输出中的图片引用标记,但不再显示编号
- 更接近于用户预期的输出效果
2024年6月14日
- 优化图片处理,保持原始位置且直接嵌入
- 改进图片处理逻辑,保持图片在原始文档中的相对位置
- 不再生成外部images目录,直接将图片嵌入到清洗后的文档中
- 智能识别原始文档中图片与文本的关联关系,确保图片插入的位置更合理
- 直接从内存中的图片数据创建图片对象,提高处理速度
- 简化图片说明caption格式,不再显示文件名,只保留编号信息
- 针对无法确定原始位置的图片,统一添加到文档末尾
- 图片处理过程更加稳定,避免因外部文件操作导致的错误
- 提升用户体验,文档外观更加接近原始文档
2024年6月13日
- 修复清洗后Word文档图片丢失问题
- 增加了图片提取和保存功能,确保清洗后的Word文档保留原始图片
- 使用多种方法提取文档中的图片,支持多种图片格式(PNG、JPG、GIF、BMP等)
- 智能过滤无效和过小的图片,只保留有意义的内容
- 自动在段落间均匀分布图片,保持文档的可读性和美观性
- 为每张图片添加标题和编号,方便引用
- 所有图片保存在独立的images目录,便于管理和查看
- 在文本输出中添加图片引用标记,保持文档内容的完整性
- 增强文档处理流程的稳定性,防止因图片处理错误导致的中断
2024年6月12日
- TXT文件表格输出HTML标签
- 改进表格处理逻辑,使TXT文件中的表格也能以HTML标签形式输出
- 保持与Word文档中的表格输出格式一致,提供结构化的表格内容
- 优化TXT文件处理流程,正确保留HTML标签而不是转换为纯文本
- 确保表格的合并单元格属性和结构信息在TXT文件中也能被完整保留
- 保持HTML标签在TXT文件中的原始格式,不进行换行符替换
- 改进文本合并逻辑,智能区分普通文本和HTML标签内容
- 简化用户使用流程,无需额外操作即可获得格式一致的输出文件
- 提高系统处理效率和文档格式统一性
2024年6月11日
- 同时支持HTML标签显示和HTML文件生成
- 优化表格处理功能,兼顾多种输出需求
- 移除Word文档中自动添加的表格标题,保持文档结构简洁
- Word文档中直接以HTML标签形式显示所有表格,方便查看表格结构
- 同时生成独立的HTML文件,提供完整的表格视图,支持交互和打印
- 在Word文档中添加蓝色超链接提示,指引用户查看对应的HTML文件
- 改进HTML样式,增强响应式布局和打印支持
- 优化表格HTML标签生成过程,确保标签规范性和一致性
- 增强错误处理,即使某些表格转换失败也能保持系统稳定
- 提升整体文档处理流程的健壮性和用户体验
2024年6月10日
- 采用HTML标签形式输出表格
- 改进表格处理机制,直接输出HTML标签形式的表格,而非创建Word表格
- 精确保留所有表格结构信息,包括表头、主体和合并单元格属性
- 自动为表格生成符合HTML规范的标签,包括class和id属性
- 正确处理表格中的垂直和水平合并单元格,添加rowspan和colspan属性
- 将表格标签以等宽字体显示,提高可读性和直观性
- 优化标签生成过程,严格遵循HTML表格标准
- 自动区分表头和数据行,使用正确的thead和tbody标签
- 简化表格处理流程,提高效率和准确性
2024年6月9日
- 改进Word文档表格显示方式
- 修改表格处理机制,直接在Word文档中显示表格,不再需要外部HTML文件
- 准确复制原始表格的结构、内容和合并单元格信息
- 保留表格样式并自动设置表头格式
- 正确处理垂直和水平合并的单元格
- 改进表格位置控制,保持与原始文档的一致性
- 优化表格边框和样式,提供更专业的外观
- 简化处理流程,提高文档生成效率
- 修复合并单元格时的潜在错误
2024年6月8日
- 修复Word文档打开问题并改进表格处理
- 解决了清洗后Word文档无法打开的关键问题
- 优化HTML表格生成方式,确保文档处理的稳定性
- 在Word文档中添加醒目的HTML表格文件引用提示
- 保留表格的文本格式作为备用显示方式
- 改进错误处理,提供更详细的诊断信息
- 简化文档处理流程,提高代码可维护性
- 增强HTML表格文件的样式,提供更好的打印支持
- 改进文档处理日志,便于追踪处理过程
2024年6月7日
- 表格直接HTML输出功能增强
- 修改表格处理机制,现在所有表格都将以HTML格式输出而非文本格式
- 彻底解决复杂表格的显示问题,包括多层表头和合并单元格
- 自动为每个表格生成独特的HTML标识符,确保正确引用
- 提供更美观的表格样式,包括悬停效果和自适应宽度
- 改进表格边框和单元格间距,提升阅读体验
- 保留单元格格式化内容(如换行符)并在HTML中正确显示
- 针对打印场景优化表格样式,确保打印输出质量
- 技术说明:由于Word文档格式限制,HTML表格将保存在独立的HTML文件中
2024年6月6日
- 增强复杂表格识别与处理能力
- 优化表格类型自动识别算法,通过多维度特征分析提高复杂表格的识别精度
- 增强表格结构分析能力,支持更精确地识别垂直和水平合并单元格
- 改进多级表头处理,提高复杂表头的识别和解析能力
- 引入表格宽高比分析,自动识别宽表格和复杂结构表格
- 新增单元格数一致性检查机制,提高对不规则表格的处理能力
- 优化垂直合并单元格的内容填充算法,改进空单元格的值传播机制
- 添加更详细的表格处理日志,便于诊断和调试复杂表格处理问题
- 完善异常处理,提高处理复杂表格时的稳定性和鲁棒性
2024年6月5日
- 模块化表格处理系统升级
- 重构了表格处理架构,将不同类型的表格处理逻辑拆分为专门的处理器
- 实现了针对五种特殊表格类型的专用处理器:
- 多级表头表格处理器:处理具有复杂多级表头结构的表格
- 合并单元格密集型表格处理器:优化处理含有大量合并单元格的表格
- 带计算功能的表格处理器:识别并处理包含公式和计算的表格
- 嵌套表格处理器:处理表格内嵌套的子表格结构
- 跨页长表格处理器:正确识别和处理跨越多页的长表格
- 优化表格识别机制,智能匹配最适合的处理器
- 提高表格转文本的准确性和可读性
- 保持与原有系统的兼容性,同时提高处理复杂表格的能力
- 增强了系统对特殊表格结构的识别率和处理精度
2024年6月2日
- 改进Markdown表格转换功能:
- 修复了合并单元格内容重复显示的问题
- 修复了空单元格自动填充相邻值的问题
- 优化表格处理逻辑,正确处理多级表头和复杂表格结构
- 确保合并单元格的内容仅在原始单元格位置显示,被合并的单元格保持为空
2024年6月1日
- 修复服务端文件处理过程中的类型错误
- 解决文件处理后删除临时文件时出现的
'dict' object has no attribute 'strip'
错误 - 增强了
main.py
中处理文本内容时的类型安全性,确保只对字符串类型调用字符串方法 - 添加了对处理文件时
all_content
合并时的严格类型检查,实现对混合内容类型(字符串、字典等)的安全处理 - 优化了临时文件和目录清理过程,增加类型检查以避免对非字符串类型执行路径操作
- 改进临时文件删除的安全性,使用
safe_delete_file
函数确保字符串类型参数 - 提高了文件处理后清理逻辑的健壮性,避免因类型不匹配导致的处理中断
- 完善错误处理机制,提供更详细的日志信息,便于快速定位问题
- 解决文件处理后删除临时文件时出现的
2024年5月31日
- 修复表格文本提取过程中的类型错误
- 解决了在无效表格转换为文本时出现的
'dict' object has no attribute 'strip'
错误 - 增强了
save_as_docx
方法中对_extract_table_text
返回值的类型安全检查 - 确保只有在返回值是字符串类型时才调用
strip()
方法 - 优化了表格文本提取的错误处理流程,提高系统处理复杂表格的稳健性
- 完善了不同表格类型的处理逻辑,确保各种特殊结构表格都能被正确处理
- 修复了在表格无效时可能触发的类型错误,保证表格处理流程不会因类型不匹配而中断
- 解决了在无效表格转换为文本时出现的
2024年5月30日
- 修复文本清理过程中的类型错误
- 解决了在文本清理过程中出现的
'dict' object has no attribute 'strip'
错误 - 增强了
_clean_text
方法中的类型检查,确保只对字符串类型对象调用字符串方法 - 改进了文本文件生成逻辑,添加针对不同数据类型的处理策略
- 优化了元数据字典的内容提取方式,确保其正文内容能够被包含在文本输出中
- 提高了代码的健壮性,可以正确处理混合类型的内容列表
- 完善了错误处理机制,避免因类型不匹配导致的处理中断
- 解决了在文本清理过程中出现的
2024年5月29日
- 修复文档去重处理异常
- 解决了处理带元数据的文档时出现的
'dict' object has no attribute 'startswith'
错误 - 增强了_remove_duplicates方法,使其能够正确处理字典类型的元数据结构
- 改进了内部类型检查,区分处理字符串、字典、元组和列表等不同数据类型
- 优化了去重机制,保证包含元数据的文档正常处理不会中断
- 更新了相关方法的类型提示,明确方法可以处理任何类型的元素
- 完善对特殊数据类型的保留逻辑,确保元数据不会在去重过程中丢失
- 解决了处理带元数据的文档时出现的
2024年5月28日
- 增强复杂表格结构处理能力
- 实现多级表头表格的自动识别与处理,支持最多4级嵌套表头
- 完善对复杂表头结构的分析,正确处理跨行跨列的表头单元格
- 针对多级表头表格优化Markdown输出格式,保持原始表格的层次结构
- 改进表格预处理流程,添加表格结构类型自动检测功能
- 优化合并单元格处理逻辑,确保复杂表格数据的完整性和准确性
- 引入表格元数据记录机制,保存表格结构特征以便后续处理
- 完善复杂表格的调试日志,便于排查处理过程中的问题
2024年5月27日
- 修复表格处理异常错误
- 解决了处理特殊表格时出现的
'dict' object has no attribute 'strip'
类型错误 - 增强了内容过滤函数的类型安全检查,避免对非字符串类型应用字符串方法
- 改进了对多种数据类型(字典、元组、列表等)的兼容性处理
- 确保在处理表格时不会因类型错误而导致文档处理中断
- 优化了错误处理机制,提供更详细的错误信息以便于调试
- 提高了代码的健壮性,能更好地处理各种格式和结构的输入数据
- 解决了处理特殊表格时出现的
2024年5月26日
- 增强特殊结构表格处理能力
- 优化对特殊格式表格的识别能力,特别是键值对形式的表格(如账号、订单号等信息表)
- 新增键值对表格专用渲染模式,确保所有键值对数据都被正确提取
- 改进单元格内容提取逻辑,避免遗漏特殊格式的单元格内容
- 引入表格结构智能分析,自动识别不同类型的表格并应用最合适的处理方法
- 完善对"PO-Number"、"Account No."等业务类信息字段的特殊处理
- 添加了多种关键字模式匹配,提高对各类业务表格的兼容性
- 优化文本提取过程,确保每个文本片段都能被完整保留
2024年5月25日
- 优化Markdown表格格式输出
- 严格按照原文档中的表格格式输出Markdown表格,保留空单元格
- 去除过度智能填充功能,避免自动填充空单元格导致的格式不一致
- 保留完整表格结构,包括所有的空行
- 只处理显式标记的合并单元格,不进行推断性的内容填充
- 确保表格的每个单元格精确反映原始文档中的内容
- 简化表格处理逻辑,提高处理速度和准确性
2024年5月24日
- 优化Markdown输出格式
- 移除Markdown输出中的文档元数据信息(如创建时间、作者、备注等)
- 保留DOCX和TXT输出中的文档元信息,不影响其完整性
- 重构元数据处理逻辑,使用类型标记区分不同内容类型
- 提高代码的可维护性和扩展性
- 优化内部数据结构,便于后续自定义输出格式
- 改进文本处理流程,统一处理文本和结构化内容
2024年5月23日
- 修复PDF转Word时图片丢失的问题
- 增加了多种图片提取方法,确保即使在PDF转DOCX过程中丢失图片也能正确保留
- 直接从PDF源文件提取图片,不再完全依赖转换后的DOCX文档
- 改进图片处理流程,确保OCR结果被正确保存到最终输出
- 增强Markdown图片处理逻辑,优化图片路径管理和文件复制过程
- 添加详细日志和错误诊断信息,便于问题排查
- 优化图片文件存储结构,避免图片重复处理
- 增加图片处理失败时的备选方案,提高系统鲁棒性
- 解决Markdown文档中图片无法显示的问题
2024年5月21日
- 增强复杂表格处理的安全性和稳定性
- 全面优化索引安全处理,解决表格解析中的索引越界问题
- 增加表格行列索引检查机制,防止数组访问异常
- 引入垂直合并传播机制,自动填充复杂表格中的间隔空白单元格
- 增强多级分类表格处理,针对药品分类等特殊表格格式的优化
- 改进空白单元格智能填充算法,分析上下文识别合并单元格模式
- 优化错误日志记录,提供精确的错误位置信息便于问题定位
- 统一文本和Markdown输出处理逻辑,确保不同格式输出的一致性
- 修复多行多列复杂表格中的内容缺失问题,提高数据完整性
2024年5月20日
- 增强复杂表格合并单元格识别能力
- 改进垂直合并单元格的识别逻辑,即使未被正确标记的合并单元格也能被识别出来
- 特别优化对药品分类等表格中常见的第一列垂直合并单元格的处理
- 新增内容一致性检测机制,自动识别内容相同但分布在不同行的单元格
- 添加空白单元格智能填充机制,推断可能的合并单元格内容
- 统一文本与Markdown表格输出中对合并单元格的处理逻辑
- 对合并单元格内容进行正确复制,确保表格展示的结构完整性
- 提高对格式不规范表格的兼容性和处理能力
2024年5月19日
- 表格处理模块化重构
- 将表格处理相关代码抽取到独立模块
cxs_table_processor.py
- 实现
TableProcessor
类,封装所有表格相关的处理功能 - 保留
TableData
类作为表格数据的标准存储结构 - 优化代码结构,提高可维护性和扩展性
- 改进表格处理模块与主程序的交互接口
- 实现统一的表格处理方法调用方式
- 便于后续对表格处理功能的单独升级和优化
- 将表格处理相关代码抽取到独立模块
2024-05-16
- 增强了复杂表格处理能力
- 优化了对合并单元格表格的识别和处理
- 降低了表格有效性的判断门槛,能够识别更多种类的表格
- 改进了表格到Markdown的转换,添加了HTML格式输出选项
- 完善了对垂直合并单元格的处理逻辑
- 增强了表格内容矩阵的构建和处理
- 优化了药品分类等复杂结构表格的识别
- 改进了表格文本输出格式,提高可读性
2024-05-15
- 修复了cxs_doc_cleaner.py中的语法错误
- 解决了处理文档元素时的try-except块和缩进结构问题
- 改进了表格和段落处理的代码结构
- 确保所有异常处理逻辑正确嵌套
- 优化了错误信息输出格式
2024-05-12
- 修复了
Table
类初始化错误问题- 创建了自定义
TableData
类代替直接使用docx.table.Table
- 解决了
Table.__init__() missing 2 required positional arguments: 'tbl' and 'parent'
错误 - 重构了相关代码以适配新的类结构
- 优化了列属性处理方式
- 改进了单元格访问方法
- 创建了自定义
- 添加了
test_big_file.py
工具- 专门用于从大型复杂Word文档中提取表格
- 支持自动识别文档中的所有表格
- 实现了更强大的表格内容提取逻辑
- 可以处理合并单元格和复杂结构
- 生成格式友好的表格文本输出
2024-05-02
- 修复文档中图片OCR无法识别的问题
- 添加pytesseract显式导入,确保OCR组件可用
- 优化Tesseract OCR路径自动检测和配置流程
- 增加pytesseract版本检测机制,确保OCR组件正常工作
- 改进OCR处理流程,添加直接调用pytesseract模式,不再完全依赖pdf_processor
- 添加多重OCR尝试策略,提高图片文字识别成功率
- 增强OCR错误处理和日志记录,便于问题诊断
- 简化单图片OCR处理逻辑,增加文本预览功能
- 修复PdfProcessor类中缺少_is_valid_image方法的问题,解决图片验证失败的错误
2024-01-20
- 修复文档中图片OCR识别问题
- 解决了从Word文档中提取的图片无法被OCR识别的问题
- 增加了Tesseract OCR路径自动检测和配置功能
- 添加了独立的图片OCR测试工具,方便排查问题
- 优化了图像提取和OCR处理流程,提高识别成功率
- 增强了图像预处理算法,改进对不同格式图片的支持
- 新增fix_tesseract_path.py脚本,提供一键修复和测试功能
2024-01-19
- 修复Word文档图像提取和OCR功能
- 修复了Word文档处理流程中图像提取功能未被正确调用的问题
- 增强了调试日志系统,提供更详细的图像提取和OCR处理信息
- 优化了文档处理流程,确保图像OCR结果被正确保存和展示
- 添加了更多统计信息,包括图像提取数量和OCR识别成功率
- 改进了不同文件格式的处理逻辑,确保最大兼容性
- 增强了错误处理能力,提高了系统的鲁棒性和稳定性
2024-01-18
- 增强了DOCX文档中图像的提取与OCR识别能力
- 实现了三种不同的图像提取方法,确保各种格式的Word文档中的图像都能被正确提取
- 为图像提取和OCR处理添加了全面的调试日志,记录每个步骤的处理结果
- 增加了原始图像和处理后图像的保存功能,便于分析OCR失败的原因
- 优化了图像过滤机制,自动识别并排除无效的小图像和非图像文件
- 引入中文优化的二次识别机制,提高中文图像的文字识别率
- 添加了详细的处理统计信息,包括成功识别率和处理时间
- 改进了错误处理和异常报告,提高系统稳定性
- 增加了中文OCR专用图像优化模块
_optimize_for_chinese.py
- 提供9种针对中文文本的图像处理方法,适用于不同场景
- 支持图像倾斜校正,提高不规则拍摄图像的识别率
- 针对中文笔画特点优化的形态学处理算法
- 提供一体化的中文OCR预处理流程
- 自动判断最佳处理方法,优化OCR结果
2024-01-17
- 新增OCR测试Web界面,便于快速测试图像文字识别效果
- 开发了独立的OCR API服务,支持多种图像处理模式
- 引入自动选择最佳OCR结果的机制,通过对比不同处理方法的结果选择最优方案
- 可视化展示图像处理细节和实时预览效果
- 简化OCR测试流程,支持拖放上传图像并一键处理
- 提供快速启动脚本,自动检查环境和依赖
- 优化调试文件存储和显示,方便问题分析
2024-01-16
- 大幅增强了OCR图像识别能力,提高了复杂图像的文字识别率
- 引入了9种新的图像预处理方法,并自动进行组合尝试
- 新增图像纠偏和倾斜校正,提高对歪斜文本的识别能力
- 增加针对中文处理的专项优化
- 增加超高DPI处理,提高小字体和复杂字符的识别率
- 引入基于PSM模式的多方案OCR处理,自动选择最佳结果
- 改进OCR结果评估机制,综合考虑文本长度和置信度
- 增加图像处理调试功能,自动保存处理前后的图像用于分析
- 优化OCR结果报表,提供各种处理方法的对比和详细统计
2024-01-15
- 增强了OCR功能
- 改进了PDF处理器中的OCR文本识别功能
- 增强了Tesseract OCR路径检测
- 添加了OCR识别重试机制
2024-01-14
- 优化文档图片OCR识别功能,大幅提升Word文档内图片文本识别率
- 增强图片处理逻辑,添加文件类型验证,防止非图片文件误处理
- 增加OCR失败重试机制,提高文本识别成功率
- 添加更多调试信息,帮助排查图片处理问题
- 改进Markdown输出中图片显示方式,正确标识无法识别文本的图片
2024-01-13
- 添加openpyxl依赖库,修复Excel文件处理的依赖问题
- 更新requirements.txt文件,确保Excel文件可以正确读取
- 优化Excel文件处理逻辑,解决处理大型Excel文件时卡住的问题
- 增加直接处理Excel文件选项,不必转换为Word格式
- 限制处理的Excel行数,提高大型文件处理效率
- 改进临时文件处理机制,增加文件删除重试功能
- 优化Excel文件句柄管理,确保文件资源及时释放
2024-01-12
- 优化Markdown文档输出格式,使其更接近原文排版
- 改进复杂表格的Markdown转换,提高可读性
- 修复图片无法在Markdown中正确显示的问题
- 增强文档结构识别,自动识别标题层级
2024-01-11
- 修复缺少uuid库导入的问题
- 改进图片目录创建逻辑
- 优化文件路径处理机制
2024-01-10
- 新增支持 HTML 文件处理
- 新增支持 Excel 文件处理
- 优化文件格式处理逻辑
- 改进错误处理机制
2024-01-09
- 新增 Markdown 格式输出支持
- 优化文件处理逻辑
- 改进错误处理
2024年6月3日
- 优化表格数据处理逻辑:
- 重构format_group_to_text函数,采用更通用的处理方式
- 移除对特定字段名的依赖,提高代码灵活性
- 自动清理和格式化字段名中的特殊字符
- 统一的文本格式化逻辑,适应不同数据结构
- 改进键值对处理方式,支持更多数据格式
- 自动清理"表格无有效数据"等无效提示信息
- 优化文本拼接逻辑,确保输出格式的一致性
2024年6月20日
- 修复表格HTML生成错误
- 解决了
_generate_table_html_tags
方法中cell_map
变量未定义的错误 - 完全重写了表格HTML生成逻辑,确保表格能正确转换为HTML格式
- 优化表格头部和主体分别处理的流程
- 添加了合并单元格的正确属性(rowspan和colspan)
- 完善了表格结构分析过程,准确标记垂直和水平合并的单元格
- 改进HTML标签属性生成逻辑,确保输出符合HTML规范
- 增强了错误处理,提供具体的单元格位置信息方便调试
- 确保表格信息完整转换为HTML格式,解决"表格的html没有正常输出"问题
- 解决了
2024年6月19日
安装说明
- 克隆项目代码
- 安装依赖:
pip install -r requirements.txt
- 配置环境变量(可选):
- OLLAMA_HOST:Ollama 服务器地址
- TESSERACT_CMD:Tesseract OCR 可执行文件路径
使用说明
文件上传
- 支持的文件格式:
- PDF (.pdf)
- Word (.doc, .docx)
- HTML (.html, .htm)
- Excel (.xls, .xlsx)
API 接口
- 文件上传:POST
/api/upload
- 文件下载:GET
/api/download/{filename}
输出格式
- Word 文档:
response_文件名_output.docx
- 纯文本文件:
response_文件名_output.txt
- Markdown 文件:
response_文件名_output.md
OCR图像识别测试
使用OCR测试功能可以快速测试图像文字识别效果,无需处理完整文档。
快速启动方法
-
运行项目根目录下的启动脚本:
python start_ocr_test.py
脚本会自动:
- 检查必要依赖是否安装
- 验证Tesseract OCR配置
- 启动OCR API服务
- 在浏览器中打开测试界面
-
如果自动打开浏览器失败,请手动访问:
http://localhost:8001/static/ocr_test.html
使用方法
-
在测试界面上传图片文件(支持拖放上传)
-
选择识别语言(默认为中文+英文)
-
选择处理模式:
- 自动模式:自动尝试最佳处理方法
- 标准模式:使用基本OCR处理,速度最快
- 中文优化:专为中文文本优化的处理方法
- 高级模式:使用多种图像处理方法,并比较结果
-
点击"执行OCR"按钮开始处理
-
查看处理结果:
- 识别文本:显示识别出的文本内容
- 处理详情:显示不同处理方法的结果对比
- 处理图像:显示处理前后的图像效果
处理模式说明
- 自动模式:适合大多数图像,自动选择最佳处理方法
- 标准模式:适合清晰、对比度高的图像,处理速度最快
- 中文优化:适合包含中文的图像,特别是小字体或模糊的中文文本
- 高级模式:适合复杂图像,会尝试多种处理方法并选择最佳结果,处理时间较长
注意事项
- Excel 文件处理时会将每个工作表转换为单独的章节
- HTML 文件会保留基本的文本格式和表格结构
- 所有临时文件会保存在
temp
目录下
开发说明
目录结构
doc-etl/
├── cxs/
│ ├── static/ # 前端文件
│ │ └── ocr_test.html # OCR测试界面
│ ├── main.py # 主程序
│ ├── cxs_doc_cleaner.py # 文档处理核心
│ ├── cxs_table_processor.py # 表格处理模块
│ ├── cxs_pdf_cleaner.py # PDF处理模块
│ ├── _optimize_for_chinese.py # 中文OCR优化模块
│ └── ocr_api.py # OCR API服务
├── temp/
│ ├── uploads/ # 上传文件
│ ├── outputs/ # 输出文件
│ ├── images/ # 临时图片
│ └── debug/ # OCR处理调试图像
├── start_ocr_test.py # OCR测试启动脚本
└── requirements.txt # 依赖清单
开发环境
- Python 3.8+
- 依赖详见 requirements.txt
图像OCR问题排查
问题: 文档中图片OCR无法识别
如果您遇到文档处理时图片OCR识别失败的问题,很可能是因为Tesseract OCR工具的路径配置不正确。系统在初始化时会尝试自动查找Tesseract,但如果系统环境变量中没有正确配置,OCR功能可能无法正常工作。
解决方案
我们提供了一个修复脚本fix_tesseract_path.py
,它可以:
- 自动查找系统中已安装的Tesseract OCR
- 正确设置Tesseract路径
- 处理您的文档并启用图片OCR功能
使用方法:
# 直接处理指定文档
python fix_tesseract_path.py --file 您的文档.docx
# 指定Tesseract路径
python fix_tesseract_path.py --file 您的文档.docx --tesseract "C:\Program Files\Tesseract-OCR\tesseract.exe"
# 交互式模式
python fix_tesseract_path.py
注意事项
- 确保已安装Tesseract OCR,如未安装,请从官方GitHub下载并安装
- 安装时选择中文语言包,以支持中文OCR识别
- 建议将Tesseract添加到系统PATH环境变量中,或在配置文件中明确指定路径
手动设置Tesseract路径
如果您希望永久解决这个问题,可以:
- 将Tesseract安装目录(通常是
C:\Program Files\Tesseract-OCR
)添加到系统PATH环境变量 - 设置环境变量
TESSERACT_CMD
为Tesseract可执行文件的完整路径
文档表格处理工具
本工具提供了强大的表格数据处理功能,可以处理文档中的各种类型表格。
主要功能
1. 表格数据处理
- 表格数据验证和清理
- 表格结构规范化
- 表格数据增强
- 表格布局优化
2. 数据转换和分析
- 表格转换为字典格式
- 表格内容分析
- 基本统计信息
- 列数据分析
- 数据模式检测
- 结构特征分析
- 内容质量评估
- 重复值检测
- 值分布分析
- 列相关性分析
- 数据一致性检查
- 潜在问题检测
3. 格式转换
- 转换为CSV格式
- 转换为Excel格式
- 转换为Markdown格式
- 转换为HTML格式
4. 高级功能
- 多级表头处理
- 合并单元格处理
- 键值对表格处理
- 数据类型自动识别
- 表格结构优化
使用示例
from cxs.cxs_table_processor import TableProcessor
# 创建处理器实例
processor = TableProcessor()
# 处理表格数据
table_data = {
'rows': [...],
'header_rows': 1
}
# 数据转换
dict_data = processor._convert_table_to_dict(table_data)
# 内容分析
analysis = processor._analyze_table_content(table_data)
# 检测数据模式
patterns = processor._detect_table_patterns(table_data)
# 导出为不同格式
csv_data = processor._convert_table_to_csv(table_data)
excel_data = processor._convert_table_to_excel(table_data)
数据转换能力
支持以下数据转换:
-
表格 -> 字典
- 支持键值对表格
- 支持普通表格结构
- 支持多级表头
-
表格 -> CSV
- 自动处理表头
- 处理合并单元格
- 支持自定义分隔符
-
表格 -> Excel
- 保留表格结构
- 处理合并单元格
- 自动调整列宽
- 设置表头样式
-
表格 -> Markdown/HTML
- 格式化输出
- 保持表格结构
- 支持样式设置
开发要求
- Python 3.7+
- 依赖包:
- openpyxl
- pandas
- numpy
安装说明
pip install -r requirements.txt
更新日志
v1.0.0
- 初始版本发布
- 基本的表格处理功能
v1.1.0
- 添加数据验证和清理功能
- 增加表格结构规范化
v1.2.0
- 添加数据转换功能
- 支持多种输出格式
v1.3.0
- 添加内容分析功能
- 增加数据模式检测
- 优化表格处理性能
2024-03-xx
- 优化了表格处理器的稳定性和错误处理
- 增加了严格的索引检查和边界处理
- 改进了单元格和行级别的错误处理机制
- 增强了对大型表格和复杂表头的支持
- 优化了表格规范化处理
- 提高了处理不规则表格的兼容性
- 改进了内存使用效率
注意事项
-
大文件处理
- 建议分批处理大型表格
- 注意内存使用
-
数据验证
- 建议在处理前进行数据验证
- 检查表格结构完整性
-
错误处理
- 所有方法都包含错误处理
- 详细的错误信息输出
贡献指南
- Fork 项目
- 创建特性分支
- 提交变更
- 发起 Pull Request
许可证
MIT License
更新日志
2024-03-21
- 修复了文本分段工具的命令行参数问题
- 现在支持使用相对路径处理文件
- 新增txt格式输出支持,默认输出格式改为txt
- 优化了段落分隔显示,使用空行分隔各段落
- 全新的智能语义分段功能:
- 支持基于章节标题的主要分段
- 支持基于语义转折词的次要分段
- 智能识别特殊段落(如摘要、引言等)
- 自动合并过短段落,保持语义完整性
- 优化的中文标点符号处理
- 添加token长度控制:
- 确保每个段落不超过512个token
- 智能估算中英文混合文本的token数量
- 对超长句子进行智能拆分
- 在保持语义完整性的同时控制token数量
- 优化表格内容处理:
- 自动移除表格标记(如"表格1开始"、"表格1结束")
- 智能分割长表格内容,确保每段不超过token限制
- 保持表格行的语义完整性
- 使用逗号和分号作为表格内容的分割点
- 优化表格段落的可读性
使用方法
文本分段工具
基本用法(输出txt格式):
python text_paragraph_splitter.py sample_continuous_text.txt
指定输出文件:
python text_paragraph_splitter.py sample_continuous_text.txt -o output.txt
输出JSON格式:
python text_paragraph_splitter.py sample_continuous_text.txt -f json -o output.json
参数说明:
- input_file:输入文件路径,例如:sample_continuous_text.txt
- --output/-o:输出文件路径,默认为当前目录下的 paragraphs.txt
- --format/-f:输出格式,支持txt和json,默认为txt
分段规则说明:
-
Token长度控制:
- 每个段落严格控制在512个token以内
- 中文字符按1.5个token计算
- 英文单词按1个token计算
- 标点符号按1个token计算
- 超长句子会按逗号智能拆分
-
表格处理:
- 自动识别并移除表格标记
- 按行处理表格内容
- 智能合并短行,不超过token限制
- 对超长行进行分割处理
- 保持表格内容的语义连贯性
-
主要分段标记:
- 章节标题(如"第一章"、"第1节"等)
- 序号标记(如"一、"、"1."、"(1)"等)
- 罗马数字标记(如"I."、"II."等)
-
次要分段标记:
- 语义转折词(如"然而"、"但是"、"因此"等)
- 总结性词语(如"总的来说"、"综上所述"等)
- 举例词语(如"例如"、"比如"等)
-
特殊段落:
- 自动识别摘要、引言、结论等特殊段落
- 保持这些段落的独立性
-
智能合并:
- 合并过短的段落(小于50字)
- 确保合并后不超过token限制
- 保持标题等特殊标记的独立性
- 确保段落语义的完整性
2024-03-xx
- 重写了表格处理逻辑,增强了对复杂表格的处理能力
- 使用@dataclass重新设计了表格数据结构(Cell、Row、Table类)
- 支持多级表头和合并单元格的识别
- 自动识别表格类型(标准表格、键值对、矩阵等)
- 支持特殊格式(货币、百分比、日期等)的识别和转换
- 增加了表格处理的错误处理和容错机制
- 优化了表格输出格式,支持Markdown、HTML和字典格式
- 添加了表格处理的调试信息输出
- 更新了导入路径,使用新的table_processor模块
2024年3月
- 优化表格处理逻辑:
- 修复复杂表头和矩阵类型表格的索引越界问题
- 增强表格行和单元格的错误处理机制
- 改进表头结构分析,支持多级表头识别
- 优化矩阵类型表格的检测算法
- 增加数字单元格识别功能
- 完善表格转文本的格式化处理
- 增加边界检查和异常处理机制
- 优化内存使用和处理效率
Description
Languages
Python
93.3%
HTML
6.7%