PP-OCRv6

基于 Python PaddleOCR 的高精度文字识别扩展，支持图片和扫描版 PDF。

使用方式

1. 在 Finch 中启用 PP-OCRv6 扩展。
2. 发送图片或 PDF，说：
   • 识别这张图里的文字
   • 提取这个 PDF 的文字

首次使用自动安装依赖（Python venv + pip install），无需手动操作。

工具

| 工具 | 说明 | |------|------| | ocr_image | 异步启动图片 OCR（PNG、JPG、WebP、BMP 等），返回任务 ID | | ocr_pdf | 异步启动扫描版 PDF OCR，返回任务 ID | | check_ocr_task | 通过任务 ID 查询进度并获取结果 | | ocr_cache | 查看缓存的 OCR 结果（时间、过期） | | clear_ocr_cache | 清空所有缓存 | | setup_ocr | 检查环境并安装依赖 | | ocr_status | 快速健康检查 |

异步流程： ocr_image / ocr_pdf 会在后台启动识别进程，立即返回任务 ID + 预计时间。Finch 会在预计时间后自动调用 check_ocr_task 获取结果。

环境要求

• Python 3.10 – 3.12
• 依赖（paddleocr、paddlepaddle、PyMuPDF、opencv-python、numpy）首次使用时自动安装

结果缓存

OCR 结果缓存 30 天，基于 SHA-256 文件哈希作为键。同一个文件再次识别直接返回缓存结果，无需重新运行 OCR。

extensions/pp-ocrv6/
├── cache/
│   ├── index.json         # hash → ISO 时间戳
│   └── <sha256>.json      # 结果文件

• 缓存文件存放在扩展目录下的 cache/ 文件夹中
• index.json 记录每个文件的创建时间，用于快速过期判断
• 每次写入新缓存时自动清理过期条目
• 使用 ocr_cache 查看缓存，clear_ocr_cache 清空全部

性能与上限

| 类型 | 建议上限 | 说明 | |------|---------|------| | 单张图片 | 原始尺寸无限制 | 最长边 >3000px 自动缩放 | | PDF 页数 | 数百页 | 150 DPI 渲染，两级空白检测（先 72 DPI 预览再 150 DPI），空白页自动跳过 | | 单页 PDF 尺寸 | A0 以下 | 超大图纸建议拆分为单页处理 |

• 模型预热 — 每次 PDF 开始前进行一次冷启动（~10s），后续预测瞬时响应
• 顺序逐页处理 — 一个模型实例逐页处理，最大限度保证 macOS ARM 稳定性（PaddlePaddle 多进程不稳定）
• 动态时间估算 — check_ocr_task 中显示基于已处理页数的剩余时间
• PDF 输出带页号标题和置信度
• 缓存存储在扩展私有数据目录中

隐私说明

所有推理在本地运行。网络访问仅用于首次模型下载（约 150 MB）。

许可证

MIT