# OpenOCR Markdown Service

一个精简版图片/PDF 转 Markdown 服务，核心依赖 `openocr-python==0.1.5`，保留文档解析能力，去掉训练、评测和实验脚本。

## 功能

- `POST /api/recognize`：上传图片或 PDF，生成 Markdown 和 JSON。
- `GET /api/history`：查看已解析文件列表。
- `GET /output/...`：访问生成的 Markdown、JSON 和原始文件。
- `openocr-md`：命令行直接解析单个图片/PDF。

## 本地运行

```bash
python -m venv .venv
source .venv/bin/activate
pip install -e .
cp .env.example .env
uvicorn openocr_markdown.api:app --host 0.0.0.0 --port 8000
```

Windows PowerShell:

```powershell
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -e .
Copy-Item .env.example .env
uvicorn openocr_markdown.api:app --host 0.0.0.0 --port 8000
```

首次运行会自动下载 OpenOCR 所需模型，耗时取决于网络和机器性能。

## API 示例

```bash
curl -F "file=@examples/page.png" http://127.0.0.1:8000/api/recognize
curl http://127.0.0.1:8000/api/history
```

重复上传同名文件默认复用已有结果；需要重新识别时增加 `force=true`：

```bash
curl -F "file=@examples/page.png" -F "force=true" http://127.0.0.1:8000/api/recognize
```

## 命令行

```bash
openocr-md path/to/document.pdf --output-dir data/output
```

## Docker 部署

```bash
cp .env.example .env
docker compose up -d --build
```

服务启动后访问：

- API 文档：`http://服务器IP:8000/docs`
- 健康检查：`http://服务器IP:8000/health`
- 输出文件：`http://服务器IP:8000/output/...`

## 关键配置

通过 `.env` 或服务器环境变量配置：

```env
OPENOCR_OUTPUT_DIR=data/output
OPENOCR_UPLOAD_DIR=data/uploads
OPENOCR_USE_GPU=false
OPENOCR_AUTO_DOWNLOAD=true
OPENOCR_LAYOUT_THRESHOLD=0.4
OPENOCR_MAX_LENGTH=2048
OPENOCR_CORS_ORIGINS=*
```

如果远程服务器有 GPU，可以先安装带 GPU 的运行环境，再把 `OPENOCR_USE_GPU=true`。当前 Dockerfile 默认是 CPU 版，适合先验证完整链路。

## 项目结构

```text
.
├── src/openocr_markdown/
│   ├── api.py        # FastAPI 服务
│   ├── cli.py        # 命令行入口
│   ├── config.py     # 环境变量配置
│   ├── engine.py     # OpenOCR 模型加载和解析封装
│   └── schemas.py    # API 响应模型
├── tests/
├── Dockerfile
├── docker-compose.yml
├── pyproject.toml
└── .env.example
```