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
+22 -2
View File
@@ -1,4 +1,16 @@
#!/usr/bin/env bash
# 打包 Ubuntu/Linux 发布包(--onedir 目录形式)。
#
# 关键参数说明,改动前请先读:
# --collect-all paddle/paddlex/paddleocr Paddle 的原生库与配置必须整体收集,缺一个就跑不起来
# --collect-all pyclipper/pypdfium2/shapely/bidi
# 检测后处理与识别的必需依赖,漏了会在推理时报错
# --copy-metadata * PaddleX 通过 importlib.metadata 检查依赖,
# 缺元数据会误判「依赖未安装」
# --additional-hooks-dir scripts 启用 scripts/hook-imagesize.py
# --hidden-import imagesize 源码环境下按需导入,打包时必须显式声明
#
# 必须在 Linux 上执行:PyInstaller 不能交叉编译,Windows 上无法生成 ELF 二进制。
set -euo pipefail
PROJECT_ROOT="$(cd "$(dirname "${BASH_SOURCE[0]}")/.." && pwd)"
@@ -11,6 +23,7 @@ fi
uv sync --dev --python 3.12
rm -rf build dist
uv run pyinstaller --noconfirm --clean --onedir --name ocr-server \
--paths src \
--collect-all paddleocr \
@@ -29,7 +42,6 @@ uv run pyinstaller --noconfirm --clean --onedir --name ocr-server \
--copy-metadata imagesize \
--add-data 'config.yaml:.' \
--add-data 'http:http' \
--add-data 'scripts:_packaging_scripts' \
--additional-hooks-dir scripts \
--hidden-import imagesize \
--hidden-import imagesize.imagesize \
@@ -41,5 +53,13 @@ cp -f config.yaml dist/ocr-server/config.yaml
cp -a models dist/ocr-server/models
chmod +x dist/ocr-server/ocr-server
printf 'Ubuntu 发布目录:%s\n' "$PROJECT_ROOT/dist/ocr-server"
BIN="$PROJECT_ROOT/dist/ocr-server/ocr-server"
if [[ ! -x "$BIN" ]]; then
printf '打包失败:未生成 %s\n' "$BIN" >&2
exit 1
fi
printf '\nUbuntu 发布目录:%s\n' "$PROJECT_ROOT/dist/ocr-server"
printf '%s\n' '启动:dist/ocr-server/ocr-server'
printf '二进制 SHA256:%s\n' "$(sha256sum "$BIN" | cut -d' ' -f1)"
printf '%s\n' '(发布时要连 _internal 和 models 一起复制,不能只替换二进制)'