# ocr-cmp

**Repository Path**: arch-builder/ocr-cmp

## Basic Information

- **Project Name**: ocr-cmp
- **Description**: 简单的 ocr demo
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-15
- **Last Updated**: 2026-02-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ocr-cmp

图片、pdf 内容识别检索

- [x] 识别图片、pdf 内容
- [x] 对内容进行关键字切分
- [x] 根据 OCR 结果，计算关键字的坐标
- [] 封装为服务提供接口
- [] OCR 结果中跨行处理（可能需要换 OCR 模型）

## 搭建开发环境

建议使用 python 自带的 venv 创建虚拟环境

### 安装依赖

**激活虚拟环境后**

```bash
$ pip install -r requirements.txt
```

或者

```bash
$ pip install -r requirements-gpu.txt
```

aarch64 平台与 x86 安装的版本可能不一样，可使用下面的命令手动安装或者下载：

```bash
$ pip download paddleocr==3.2.0 --platform manylinux2014_aarch64 --only-binary=:all:
$ pip download paddlepaddle==3.3.0 --platform manylinux2014_aarch64 --only-binary=:all:
```

安装:

```bash
$ pip install -v ./paddleocr-xxxx.whl --no-index --find-links=./
```


### 使用开发模式将本地项目纳入模块识别路径

```bash
$ pip install -e . --no-build-isolation
```

使用开发模式时，如果用 pip 安装了新包，导出 requirements 时需要排除当前项目：

```
$ pip freeze | sed '/^-e/d' > requirements.txt

# for zsh using zimfw
$ pip freeze | sed '/^-e/d' >! requirements.txt
```

## 版本发行


执行构建命令：

```bash
$ python -m build
```

项目根目录中生成子目录 `dist`：

```bash
$ ls dist
# ocrcmp-1.0.0-py3-none-any.whl  ocrcmp-1.0.0.tar.gz

```

其中 `whl` 后缀名的包即发行的版本。

**如果要发行新版本，一定要修改版本号:**

```python
# src/ocrcmp/__version__.py

__version__ = "1.0.0"

```


## 命令验证

#### 分词样例

```bash
$ python src/ocrcmp/cmd/seg.py -t "这是一个铁路线上的小站，只有慢车才停两三分钟。快车疾驰而过，旅客们甚至连站名还来不及看清楚。 就在这一刹那，你也许看到一间红瓦灰墙的小屋，一排漆成白色的小栅栏，或者还有三五个人影。而这一切又立即消失了，火车两旁依然是逼人而来的山崖和巨石。 这是一个在北方山区常见的小站。小屋左面有一张红榜，上面用大字标明了二百四十一天安全无事故的记录，贴着竞赛优胜者的照片。红榜旁边是一块小黑板，上面用白粉写着早晨广播的新闻和首都报纸摘要。出站口的旁边贴着一张讲卫生的宣传画。月台上，有两三个挑着箩筐的农民。几步以外，站上的两位工作人员正在商量着什么。"
```

#### 识别 demo

```bash
$ python src/ocrcmp/main.py -f ~/Documents/OCR/合同.jpg -c conf/dev.yaml
```

## 创建倒排索引

创建倒排索引需要对文本段进行分词，这里用 jieba3 完成，后续可更换。

### 计算每个分词在文本中的下标

举例说明如下，文本段为

```plaintext
这是一个铁路线上的小站，只有慢车才停两三分钟。快车疾驰而过，旅客们甚至连站名还来不及看清楚。 就在这一刹那，你也许看到一间红瓦灰墙的小屋，一排漆成白色的小栅栏，或者还有三五个人影。而这一切又立即消失了，火车两旁依然是逼人而来的山崖和巨石。 这是一个在北方山区常见的小站。小屋左面有一张红榜，上面用大字标明了二百四十一天安全无事故的记录，贴着竞赛优胜者的照片。红榜旁边是一块小黑板，上面用白粉写着早晨广播的新闻和首都报纸摘要。出站口的旁边贴着一张讲卫生的宣传画。月台上，有两三个挑着箩筐的农民。几步以外，站上的两位工作人员正在商量着什么。
```

分词后计算各单子在文本段中出现位置的起始下标：

```json
{
	"这是": [0, 120],
	"一个": [2, 122],
	"铁路": [4],
	"路线": [5],
	"铁路线": [4],
	"上": [7, 145, 190, 232, 252],
	"的": [8, 65, 75, 112, 131, 164, 175, 201, 215, 225, 242, 253],
	"小站": [9, 132],
	"，": [11, 29, 53, 68, 79, 100, 144, 167, 189, 233, 250],
	"只有": [12],
	"慢车": [14],
	"才": [16],
	"停": [17],
	"两三": [18, 235],
	"三分": [19],
	"分钟": [20],
	"两三分": [18],
	"三分钟": [19],
	"两三分钟": [18],
	"。": [22, 45, 89, 118, 134, 178, 211, 229, 245, 267],
	"快车": [23],
	"疾驰": [25],
	"而": [27, 90, 110],
	"过": [28],
	"旅客": [30],
	"们": [32],
	"甚至": [33],
	"连": [35],
	"站名": [36],
	"还": [38, 82],
	"不及": [40],
	"来不及": [39],
	"看清": [42],
	"清楚": [43],
	"看清楚": [42],
	" ": [46, 119],
	"就": [47],
	"在": [48, 124, 261],
	"这": [0, 49, 91, 120],
	"一刹": [50],
	"刹那": [51],
	"一刹那": [50],
	"你": [54],
	"也许": [55],
	"看到": [57],
	"一间": [59],
	"红瓦": [61],
	"灰墙": [63],
	"小屋": [66, 135],
	"一排": [69],
	"漆成": [71],
	"白色": [73],
	"小": [9, 66, 76, 132, 135, 186],
	"栅栏": [77],
	"或者": [80],
	"还有": [82],
	"三五": [84],
	"五个": [85],
	"三五个": [84],
	"人影": [87],
	"一切": [92],
	"又": [94],
	"立即": [95],
	"消失": [97],
	"了": [99, 152],
	"火车": [101],
	"两旁": [103],
	"依然": [105],
	"是": [1, 107, 121, 183],
	"逼人": [108],
	"而来": [110],
	"山崖": [113],
	"和": [115, 204],
	"巨石": [116],
	"北方": [125],
	"山区": [127],
	"常见": [129],
	"左面": [137],
	"有": [13, 83, 139, 234],
	"一张": [140, 220],
	"红榜": [142, 179],
	"上面": [145, 190],
	"用": [147, 192],
	"大字": [148],
	"标明": [150],
	"二百": [153],
	"四十": [155],
	"二百四十": [153],
	"一天": [157],
	"安全": [159],
	"无事": [161],
	"事故": [162],
	"无事故": [161],
	"记录": [165],
	"贴着": [168, 218],
	"竞赛": [170],
	"优胜": [172],
	"胜者": [173],
	"优胜者": [172],
	"照片": [176],
	"旁边": [181, 216],
	"一块": [184],
	"小黑": [186],
	"黑板": [187],
	"小黑板": [186],
	"白粉": [193],
	"写": [195],
	"着": [169, 196, 219, 239, 264],
	"早晨": [197],
	"广播": [199],
	"新闻": [202],
	"首都": [205],
	"报纸": [207],
	"摘要": [209],
	"站口": [213],
	"出站口": [212],
	"卫生": [223],
	"讲卫生": [222],
	"宣传": [226],
	"宣传画": [226],
	"月": [230],
	"台上": [231],
	"三个": [236],
	"两三个": [235],
	"挑着": [238],
	"箩筐": [240],
	"农民": [243],
	"几步": [246],
	"以外": [248],
	"站上": [251],
	"两位": [254],
	"工作": [256],
	"作人": [257],
	"人员": [258],
	"工作人员": [256],
	"正在": [260],
	"商量": [262],
	"什么": [265]
}
```

有的分词可能在文本段中出现不止一次，因此需要用列表记录分词在文本段中出现过的所有位置的下标。

**这一步需要注意时间复杂度，不建议使用列表自带的 `index` 方法。**

## 分词坐标计算

几个假设前提：

1. 假设 OCR 识别出的图片/pdf 文件中每段文本的大小相同；

```
(x1, y1)    (x01, y01)   (x02, y02)                   (x2, y2)
+-----------------------------------------------------+
|           | word       |                            | # 文本段
+-----------------------------------------------------+
(x4, y4)    (x04, y04)   (x03, y03)                   (x3, y3)
0 1 2 3 ...                                           n-1
            begin        begin+m
```

2. 假设一行有 n 个字，某个分词的坐标为 `[(x01, y01), (x02, y02), (x03, y03), (x04, y04)]` 长度为 m 个字，起始下标为 begin，计算横坐标：

```
(x01-x1)/begin = (x2-x1)/n
(x02-x1)/(begin+m) = (x2-x1)/n
(x03-x4)/(begin+m) = (x3-x4)/n
(x04-x4)/(begin) = (x3-x4)/n

# 注意：文本方向是从左到右时，纵坐标的变化幅度非常小
(y1-y01)/begin = (y1-y2)/n
(y1-y02)/(begin+m) = (y1-y2)/n
(y4-y04)/begin = (y4-y3)/n
(y4-y03)/(begin+m) = (y4-y3)/n
```

这样就计算出每个分词在图片中的位置坐标（包含 pdf 文件对应的页码）