文档处理与 OCR

Yuxi 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, .htm	直接提取内容
Word	.docx	保留格式和结构
PowerPoint	.pptx	保留主要文本结构
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

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-Structure-V3	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-Structure-V3
• 简单云服务：选择 DeepSeek OCR

快速配置

RapidOCR

启动后会默认下载，无需配置

MinerU（高精度）

项目已内置 mineru-api 服务（位于 docker-compose.yml，属于 all profile），无需额外下载官方 compose 文件。首次构建镜像时会基于 docker/mineru.Dockerfile 下载模型，该过程耗时较长。

启动服务（需要 GPU）：

docker compose --profile all up -d --build mineru-api

该服务在 30001 端口提供 /file_parse 接口，后端 api / worker 默认通过 MINERU_API_URI=http://mineru-api:30001 连接，通常无需额外配置。

显存不足

若显存有限导致启动失败，可在 docker-compose.yml 的 mineru-api 服务下放开 --gpu-memory-utilization 参数（如 0.5，必要时进一步降低）。

MinerU Official（云服务）

从 MinerU 官网 获取 API 密钥，在 .env 配置环境变量

MINERU_API_KEY=your-api-key-here

PP-Structure-V3（结构化）

启动服务（需要 GPU）

docker compose up paddlex -d

DeepSeek OCR（简单云服务）

在 .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-Structure-V3 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
5. 文件大小限制：单个上传文件大小不超过 100 MB