vault backup: 2026-11-07 16:33:44

This commit is contained in:
cheney
2026-11-07 16:33:55 +08:00
commit 7015312702
1208 changed files with 132432 additions and 0 deletions
+2
View File
@@ -0,0 +1,2 @@
docker run --rm -v "$(pwd):/app" paddleocr/paddleocr:2.6-cpu-latest \
python /app/paddleocr-hex.py
+388
View File
@@ -0,0 +1,388 @@
# 现成的 Tesseract Docker 镜像及使用方案
确实有多个现成的 Tesseract Docker 镜像可以直接使用,无需自己构建。以下是基于现有镜像的简单 Docker 命令方案:
## 1. 可用的现成 Tesseract Docker 镜像
### 1.1 官方和社区镜像
```bash
# 1. 官方 Tesseract OCR 镜像
docker pull tesseractshadow/tesseract4re:latest
# 2. 另一个流行的社区镜像
docker pull jitesh/tesseract-ocr:latest
# 3. 轻量级 Alpine 版本
docker pull alexbrah/tesseract-ocr:alpine
# 4. 包含多种语言的镜像
docker pull napcs/tesseract-ocr:latest
```
## 2. 最简单的 Docker 使用方案
### 2.1 基础使用命令
```bash
# 查看镜像中的语言包
docker run --rm tesseractshadow/tesseract4re tesseract --list-langs
# 直接运行单次识别
docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \
tesseract /data/input.png /data/output
# 中文
docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \
tesseract /data/input.png /data/output -l chi_sim
# 中文简体 + 英文
docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \
tesseract /data/input.png /data/output -l chi_sim+eng
# Hex
docker run --rm \
-v "$(pwd):/data" \
tesseractshadow/tesseract4re \
tesseract /data/hex1.png /data/output \
-c tessedit_char_whitelist=0123456789ABCDEFabcdef \
--psm 6
# Base64
docker run --rm \
-v "$(pwd):/data" \
tesseractshadow/tesseract4re \
tesseract /data/hex1.png /data/output \
-c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= \
--psm 6
```
### 2.2 针对 HEX 和 Base64 的优化使用
```bash
# 创建专用配置目录
mkdir -p tesseract-config
mkdir -p test-images
mkdir -p output
# 创建 HEX 配置文件
cat > tesseract-config/hex.config << 'EOF'
tessedit_char_whitelist 0123456789ABCDEFabcdef
tessedit_pageseg_mode 6
tessedit_ocr_engine_mode 3
EOF
# 创建 Base64 配置文件
cat > tesseract-config/base64.config << 'EOF'
tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=
tessedit_pageseg_mode 6
tessedit_ocr_engine_mode 3
EOF
```
## 3. 完整的验证脚本
### 3.1 创建测试图像
```bash
# create-test-images.py
#!/usr/bin/env python3
from PIL import Image, ImageDraw, ImageFont
import os
import random
import string
def create_test_images():
"""创建测试图像"""
os.makedirs('test-images', exist_ok=True)
# HEX 测试图像
hex_chars = "0123456789ABCDEF"
for i in range(5):
text = ''.join(random.choices(hex_chars, k=16))
create_image(f"test-images/hex_{i}.png", text)
# Base64 测试图像
base64_chars = string.ascii_letters + string.digits + "+/="
for i in range(5):
text = ''.join(random.choices(base64_chars, k=24))
create_image(f"test-images/base64_{i}.png", text)
def create_image(filename, text):
"""创建测试图像"""
img = Image.new('RGB', (400, 50), color='white')
draw = ImageDraw.Draw(img)
try:
font = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf", 20)
except:
font = ImageFont.load_default()
draw.text((10, 15), text, fill='black', font=font)
img.save(filename)
print(f"Created: {filename} - {text}")
if __name__ == "__main__":
create_test_images()
```
### 3.2 运行测试脚本创建图像
```bash
# 在主机上运行 Python 脚本创建测试图像
python3 create-test-images.py
# 或者使用 Docker 运行(如果主机没有 Python)
docker run --rm -v "$(pwd):/app" python:3.9-slim \
python3 /app/create-test-images.py
```
## 4. 批量识别脚本
### 4.1 创建批量处理脚本
```bash
# batch-recognize.sh
#!/bin/bash
echo "Starting batch recognition of HEX and Base64 images..."
# 创建输出目录
mkdir -p output
# 识别 HEX 图像
echo "Processing HEX images..."
for img in test-images/hex_*.png; do
if [ -f "$img" ]; then
filename=$(basename "$img" .png)
echo "Processing: $img"
docker run --rm \
-v "$(pwd):/data" \
tesseractshadow/tesseract4re \
tesseract "/data/$img" "/data/output/${filename}" \
-c tessedit_char_whitelist=0123456789ABCDEFabcdef \
--psm 6
fi
done
# 识别 Base64 图像
echo "Processing Base64 images..."
for img in test-images/base64_*.png; do
if [ -f "$img" ]; then
filename=$(basename "$img" .png)
echo "Processing: $img"
docker run --rm \
-v "$(pwd):/data" \
tesseractshadow/tesseract4re \
tesseract "/data/$img" "/data/output/${filename}" \
-c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= \
--psm 6
fi
done
echo "Recognition complete! Check output directory for results."
```
### 4.2 运行批量识别
```bash
# 给脚本执行权限
chmod +x batch-recognize.sh
# 运行批量识别
./batch-recognize.sh
```
## 5. 验证和结果分析
### 5.1 创建结果验证脚本
```bash
# validate-results.py
#!/usr/bin/env python3
import os
import re
import base64
def read_original_text():
"""从文件名读取原始文本(假设文件名包含原始文本)"""
originals = {}
for img_file in os.listdir('test-images'):
if img_file.startswith('hex_'):
name = img_file.replace('.png', '')
# 从文件名提取文本(实际使用时应该从其他地方获取)
originals[name] = "placeholder_hex"
elif img_file.startswith('base64_'):
name = img_file.replace('.png', '')
originals[name] = "placeholder_base64"
return originals
def validate_hex(text):
"""验证 HEX 文本"""
cleaned = re.sub(r'[^0-9A-Fa-f]', '', text)
is_valid = len(cleaned) > 0 and all(c in '0123456789ABCDEFabcdef' for c in cleaned)
return {
'cleaned': cleaned.upper(),
'is_valid': is_valid,
'length': len(cleaned)
}
def validate_base64(text):
"""验证 Base64 文本"""
cleaned = ''.join(c for c in text if c in 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=')
try:
# 尝试解码
if '=' in cleaned:
base64.b64decode(cleaned)
is_valid = True
else:
padding = 4 - (len(cleaned) % 4)
test_text = cleaned + '=' * padding
base64.b64decode(test_text)
is_valid = True
except:
is_valid = False
return {
'cleaned': cleaned,
'is_valid': is_valid,
'length': len(cleaned)
}
def main():
"""主验证函数"""
print("Validating OCR results...")
results = {}
# 读取输出文件
for txt_file in os.listdir('output'):
if txt_file.endswith('.txt'):
file_path = os.path.join('output', txt_file)
with open(file_path, 'r') as f:
content = f.read().strip()
filename = txt_file.replace('.txt', '')
if filename.startswith('hex_'):
validation = validate_hex(content)
results[filename] = {
'type': 'hex',
'original': content,
'validation': validation
}
elif filename.startswith('base64_'):
validation = validate_base64(content)
results[filename] = {
'type': 'base64',
'original': content,
'validation': validation
}
# 输出统计信息
hex_results = [r for r in results.values() if r['type'] == 'hex']
base64_results = [r for r in results.values() if r['type'] == 'base64']
print(f"\nHEX Results: {len(hex_results)} files")
hex_valid = sum(1 for r in hex_results if r['validation']['is_valid'])
print(f"Valid HEX: {hex_valid}/{len(hex_results)} ({hex_valid/len(hex_results)*100:.1f}%)")
print(f"\nBase64 Results: {len(base64_results)} files")
base64_valid = sum(1 for r in base64_results if r['validation']['is_valid'])
print(f"Valid Base64: {base64_valid}/{len(base64_results)} ({base64_valid/len(base64_results)*100:.1f}%)")
# 显示详细结果
print("\nDetailed Results:")
for filename, result in results.items():
status = "✓" if result['validation']['is_valid'] else "✗"
print(f"{status} {filename}: {result['original'][:50]}... -> {result['validation']['cleaned'][:30]}...")
if __name__ == "__main__":
main()
```
### 5.2 运行验证
```bash
# 运行验证脚本
python3 validate-results.py
```
## 6. 交互式测试容器
### 6.1 启动交互式容器进行测试
```bash
# 启动交互式容器
docker run -it --rm \
-v "$(pwd):/data" \
--name tesseract-test \
tesseractshadow/tesseract4re \
/bin/bash
# 在容器内手动测试
cd /data
tesseract test-images/hex_0.png stdout -c tessedit_char_whitelist=0123456789ABCDEFabcdef --psm 6
tesseract test-images/base64_0.png stdout -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= --psm 6
```
## 7. 一键测试脚本
### 7.1 创建完整测试流程
```bash
# run-all-tests.sh
#!/bin/bash
echo "=== Tesseract HEX/Base64 OCR Test ==="
# 1. 创建测试图像
echo "Step 1: Creating test images..."
python3 create-test-images.py
# 2. 批量识别
echo "Step 2: Running batch OCR..."
./batch-recognize.sh
# 3. 验证结果
echo "Step 3: Validating results..."
python3 validate-results.py
echo "=== Test Complete ==="
```
## 8. 使用不同镜像的对比测试
### 8.1 多镜像测试脚本
```bash
# compare-images.sh
#!/bin/bash
IMAGES=("tesseractshadow/tesseract4re" "jitesh/tesseract-ocr")
for image in "${IMAGES[@]}"; do
echo "Testing with image: $image"
docker pull $image
mkdir -p "output-${image##*/}"
# 测试单张图像
docker run --rm \
-v "$(pwd):/data" \
$image \
tesseract "/data/test-images/hex_0.png" stdout \
-c tessedit_char_whitelist=0123456789ABCDEFabcdef \
--psm 6 > "output-${image##*/}/test_result.txt"
echo "Result for $image:"
cat "output-${image##*/}/test_result.txt"
echo "---"
done
```
## 总结
使用现成的 Tesseract Docker 镜像非常简单:
1. **拉取镜像**:`docker pull tesseractshadow/tesseract4re`
2. **运行识别**:使用 `docker run --rm -v` 挂载目录
3. **配置优化**:通过 `-c tessedit_char_whitelist` 设置字符白名单
4. **批量处理**:通过脚本批量处理多张图像
这种方法无需构建自定义镜像,直接使用现有镜像即可快速验证 Tesseract 对 HEX 和 Base64 字符的识别效果。通过字符白名单和适当的 PSM 参数,可以显著提高识别准确率。
+74
View File
@@ -0,0 +1,74 @@
在 **AI Studio** 中试用 **PaddleOCR-VL** 可以通过以下步骤实现,结合平台提供的免费算力和开源模型快速体验文档解析能力:
---
### **1. 进入AI Studio平台**
- 访问 [百度AI Studio](https://aistudio.baidu.com/) 并登录账号(支持手机号/百度账号)。
- 新用户可领取免费GPU算力资源(如V100或A100),用于模型推理或训练。
---
### **2. 创建项目并配置环境**
- **新建项目**:在AI Studio控制台点击“**新建项目**”,选择“**Notebook**”类型。
- **选择环境**:推荐使用“**PaddlePaddle 2.x**”镜像(已预装PaddleOCR依赖)。
- **启动项目**:进入Notebook后,终端会自动加载PaddlePaddle环境。
---
### **3. 安装PaddleOCR-VL**
在Notebook的代码单元格中执行以下命令,安装最新版PaddleOCR并加载VL模型:
```python
# 安装PaddleOCR(若环境未预装)
!pip install paddlepaddle paddleocr -i https://mirror.baidu.com/pypi/simple
# 克隆PaddleOCR仓库(获取VL模型配置)
!git clone https://github.com/PaddlePaddle/PaddleOCR.git
%cd PaddleOCR
```
---
### **4. 下载PaddleOCR-VL预训练模型**
PaddleOCR-VL的模型权重需手动下载,可通过以下方式获取:
- **官方GitHub**:从 [PaddleOCR-VL Release页](https://github.com/PaddlePaddle/PaddleOCR/releases) 下载模型文件(如`ch_PP-OCRv4_VL_det`、`ch_PP-OCRv4_VL_rec`)。
- **AI Studio数据集**:搜索“PaddleOCR-VL”公共数据集,直接挂载到项目。
**示例代码(挂载数据集)**:
```python
from aistudio.datasets import load_dataset
# 挂载PaddleOCR-VL模型(假设数据集ID为12345)
dataset = load_dataset("12345")
model_path = dataset.data_path + "/models/"
```
---
### **5. 运行PaddleOCR-VL推理**
加载模型并测试文档解析功能(支持PDF、图片等格式):
```python
from paddleocr import PaddleOCR
# 初始化VL模型(需指定模型路径)
ocr = PaddleOCR(
det_model_dir=model_path + "ch_PP-OCRv4_VL_det/", # 检测模型
rec_model_dir=model_path + "ch_PP-OCRv4_VL_rec/", # 识别模型
use_angle_cls=True,
lang="ch", # 中文文档
use_gpu=True # 启用GPU加速
)
# 测试单张图片
img_path = "test_doc.jpg"
result = ocr.ocr(img_path, cls=True)
# 打印结果
for line in result:
print(line)
```
---
### **6. 高级功能(可选)**
- **批量处理**:通过循环调用`ocr.ocr()`解析多张图片或PDF。
- **可视化**:使用`PaddleOCR`内置的`draw_ocr`函数生成标注结果图。
- **自定义训练**:参考[PaddleOCR训练教程](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/training