文档处理与 OCR

Yuxi-Know 支持多种文档格式的智能解析，从简单的文本文件到复杂的 PDF 文档，都能自动提取内容并转换为可检索的格式。

支持的文件类型

常规文档

类型	格式	说明
文本	.txt, .md, .html	直接提取内容
Word	.docx	保留格式和结构
PDF	.pdf	支持文本和图片 PDF
表格	.csv, .xls, .xlsx	识别表格结构
JSON	.json	结构化数据

图片文件

对于图片文件，需要启用 OCR 才能提取文字：

• .jpg, .jpeg, .png, .bmp, .tiff, .tif, .gif, .webp

压缩包

支持上传 ZIP 压缩包，系统会：

• 自动提取并处理其中的 Markdown 文件
• 处理图片并上传到对象存储
• 智能识别 full.md 或第一个 .md 文件

网页内容

支持通过 URL 直接抓取网页内容：

1. 配置 YUXI_URL_WHITELIST 环境变量启用白名单机制
2. 系统自动将 HTML 转换为 Markdown
3. 内置去重机制，避免重复抓取

URL 白名单配置

示例：YUXI_URL_WHITELIST=github.com,*.wikipedia.org,docs.python.org

OCR 方案选择

系统提供多种 OCR 方案，适用于不同场景：

方案对比

方案	适用场景	硬件要求	特点
RapidOCR	基础文字识别	CPU	免费开源，速度快
MinerU	复杂 PDF、表格	GPU	精度高，版面分析好
MinerU Official	复杂文档	无	官方云服务，开箱即用
PP-StructureV3	表格、票据	GPU	专业版面解析
DeepSeek OCR	智能理解	无	云端服务，Markdown 输出

选择建议

• 个人使用或 CPU 环境：选择 RapidOCR，免费且资源占用低
• 高精度需求：选择 MinerU（需要 GPU）或 MinerU Official
• 表格密集型文档：选择 PP-StructureV3
• 简单云服务：选择 DeepSeek OCR

快速配置

RapidOCR（推荐入门）

# 下载模型
hf download SWHL/RapidOCR --local-dir ./models/SWHL/RapidOCR

# 配置环境变量
MODEL_DIR=./models

# 启动服务
docker compose up -d api

MinerU（高精度）

# .env 配置
MINERU_VL_SERVER=http://localhost:30000
MINERU_API_URI=http://localhost:30001

# 启动服务（需要 GPU）
docker compose up mineru-vllm-server mineru-api -d

MinerU Official（云服务）

# .env 配置
MINERU_API_KEY=your-api-key-here

从 MinerU 官网 获取 API 密钥。

PP-StructureV3（结构化）

# 启动服务（需要 GPU）
docker compose up paddlex -d

DeepSeek OCR（简单云服务）

# .env 配置（使用已有的 SiliconFlow 密钥）
SILICONFLOW_API_KEY=your-api-key-here

图片显示配置

上传文档中的图片需要正确配置才能在外部显示：

在 .env 中设置服务器 IP：

HOST_IP=your_server_ip

注意事项

1. 图片文件必须启用 OCR：否则无法提取内容
2. GPU 要求：MinerU 和 PP-StructureV3 需要 GPU 支持
3. API 密钥：部分服务需要额外的 API 密钥配置
4. 超时处理：复杂文档解析可能耗时较长，可通过 MINERU_TIMEOUT 环境变量调整超时时间