feat(fields): 字段抽取支持按行锁定与多项匹配开关,修复进度日志被吞

字段抽取 src/ocr_server/fields.py
- 新增 row:只从第 N 行取值,行号由 bbox 纵向重叠的坐标分组得出,-1 表示不限定;
  用于排除正文/页眉里同名标签造成的误取
- 新增 separator_optional(标签后无冒号也抽,默认关闭)
  与 label_linebreak(标签内部跨行,如 姓 + 名:,默认关闭)
- 新增 occurrence(first/last,正副本、页眉页脚重复打印时取最后一个)
  与全局 extract_include_empty(未命中的字段返回空串,便于固定 schema)
- 修复:跨行命中的标签文本包含换行,归一化时未去换行导致匹配不到字段规则、
  取到的值被丢弃
- build_specs 在服务启动时校验:字段名重复、同一标签被多个字段共用、
  正则语法、max_length / occurrence / row 取值合法性

日志 src/ocr_server/logging_setup.py
- handler 改挂到 ocr_server logger 并关闭向 root 传播:Paddle 初始化会把 root
  级别改成 WARNING,依赖 root 会导致其后所有 INFO 日志(含 10/20/50/80/100
  进度行)被静默过滤,看起来像任务卡死

引擎配置
- enable_mkldnn 由写死的 False 改为可配置;cpu_threads 支持 max(吃满逻辑核心)
- pyproject 固定 paddlepaddle>=3.2,<3.3:3.3.x 的 PIR + oneDNN 组合会直接推理失败

打包
- 移除多余的 scripts 目录打包;新增 -DistPath 便于 dist 被占用时改址构建;
  构建结束输出 exe SHA256(避免再拿到旧产物)
- Ubuntu 脚本同步更新,并输出二进制 SHA256

文档
- README / config.yaml 注释按实测修订:行结构、模型档位对比、oneDNN 与版本差异、
  汉字字符类的范围与缺口、防止取错的机制与建议

Co-Authored-By: Claude Code <noreply@anthropic.com>
This commit is contained in:
zimoyin
2026-10-12 14:37:03 +08:00
parent 44d42f6ae0
commit e32ad664f1
19 changed files with 1646 additions and 65 deletions
+4 -1
View File
@@ -11,7 +11,10 @@ dependencies = [
"pyyaml>=6.0,<7",
"uvicorn[standard]>=0.34,<1",
"paddleocr>=3.2,<4",
"paddlepaddle>=3.0,<4",
# 固定在 3.2.x:3.3.x 的 PIR + oneDNN 组合有缺陷,启用 oneDNN 会直接推理失败
# (ConvertPirAttribute2RuntimeAttribute not support)。3.2.x 可正常启用 oneDNN,
# 实测识别提速约 4.8 倍且输出逐字节一致。详见 README「已知性能限制」。
"paddlepaddle>=3.2,<3.3",
]
[project.scripts]