文档处理与 OCR

系统提供 5 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
• PP-StructureV3: 结构化解析，适合表格、票据等特殊格式
• DeepSeek OCR: 基于 SiliconFlow API 的 DeepSeek OCR OCR 服务

支持的文件类型

常规文档格式

• 文本文档: .txt, .md, .html, .htm
• Word 文档: .docx
• PDF 文档: .pdf
• 电子表格: .csv, .xls, .xlsx
• JSON 数据: .json

图片显示

文档中的图片会自动上传到对象存储并替换为可访问的 URL。但是如果想要在外部正常显示图片，需要配置 HOST_IP 环境变量，将其设置为您的服务器 IP 地址。

图像格式（需要 OCR）

• 常见图片: .jpg, .jpeg, .png, .bmp, .tiff, .tif, .gif, .webp

ZIP 压缩包

• ZIP 文档: .zip - 支持包含 Markdown 文件和图片的压缩包
  • 自动提取和处理 ZIP 包中的 .md 文件
  • 自动处理 ZIP 包中的图片文件并上传到对象存储（MINIO）
  • 图片链接会自动替换为可访问的 URL
  • 优先处理名为 full.md 的文件，否则使用第一个 .md 文件
  • 支持图片目录的智能识别（images/、../images/ 等）

URL 网页内容

• 网页链接: http:// 或 https://
  • 自动抓取网页 HTML 内容并转换为 Markdown
  • 白名单机制: 出于安全考虑，必须配置环境变量 YUXI_URL_WHITELIST 才能使用此功能
  • 内网保护: 默认禁止抓取私有 IP 地址（如 127.0.0.1, 192.168.x.x）
  • 去重机制: 自动检测 URL 是否已存在，以及内容 Hash 是否重复

URL 白名单配置

在 .env 文件中配置允许抓取的域名列表，用逗号分隔。支持通配符。 例如：YUXI_URL_WHITELIST=github.com,*.wikipedia.org,docs.python.org

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

需要确保 MODEL_DIR 环境变量指向 RapidOCR 上层目录，例如 ./models。

2. 高精度 OCR (MinerU)

需要在 .env 文件中配置：

MINERU_VL_SERVER=http://localhost:30000  # 对应 docker compose 中的 mineru-vllm-server 服务
MINERU_API_URI=http://localhost:30001  # 对应 docker compose 中的 mineru-api 服务

然后启动相关服务

# 需要 GPU，启动 MinerU 服务
docker compose up mineru-vllm-server mineru-api -d

# 启动主服务
docker compose up api -d

处理超时

文档解析超时时间默认 1800 秒，可通过 MINERU_TIMEOUT 环境变量调整。

3. 官方云服务 (MinerU Official)

API 密钥可以从 MinerU 官网 申请。

然后在 .env 文件中添加

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

然后使用 docker compose up api -d 重启后端服务。

4. 结构化解析 (PP-StructureV3)

# 需要 GPU，启动 PP-StructureV3 服务
docker compose up -d paddlex

# 启动主服务
docker compose up -d api

5. DeepSeek OCR (SiliconFlow)

DeepSeek OCR 基于 SiliconFlow API，提供智能文档理解和 Markdown 格式输出。

API 密钥可以从 SiliconFlow 申请。

然后在 .env 文件中添加：

# 设置 SiliconFlow API 密钥
SILICONFLOW_API_KEY="your-api-key-here"

重启后端服务即可使用：

docker compose restart api

注：当前还不支持保存其中的图片信息，mineru 当前版本已支持。

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
PP-StructureV3	表格、票据、结构化文档	GPU	专业版面解析
DeepSeek OCR	智能文档理解和 Markdown 输出	无特殊要求	云端服务

参数说明

enable_ocr 选项

对应网页中的 使用 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: PP-StructureV3 处理
• deepseek_ocr: DeepSeek OCR（SiliconFlow API）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 PP-StructureV3 需要 GPU 支持
• MinerU Official 需要设置 MINERU_API_KEY 环境变量
• DeepSeek OCR 需要设置 SILICONFLOW_API_KEY 环境变量
• RapidOCR 适合 CPU 环境和基础识别需求