# OCR-LM-AttachmentClassifier

**Repository Path**: da-ji/ocr-lm-attachment-classifier

## Basic Information

- **Project Name**: OCR-LM-AttachmentClassifier
- **Description**: 实现OCR+大模型的多轮判断附件类型以及跨页合并附件
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-08
- **Last Updated**: 2026-05-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# OCR + LLM Attachment Classifier

这是按照 `技术方案.md` 落地的 Python 项目骨架和核心实现。它把乱序附件统一拆成 `PageUnit`，调用在线 PaddleOCR，结合可配置规则和 LangChain 大模型判断附件类型，再做跨页合并、排序和复核。

## 快速开始

```bash
python -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"
cp .env.example .env
uvicorn attachment_classifier.api.main:app --reload
```

CLI 调用：

```bash
attachment-classifier classify ./some.pdf ./id-card.jpg --output data/outputs/result.json
```

## 主要模块

- `preprocessing`: PDF、图片、Excel、Word 的统一拆解。
- `ocr`: 百度 PaddleOCR 在线 API 适配层。
- `rules`: YAML 可配置规则引擎，负责确定性初判和字段抽取。
- `llm`: LangChain 多轮判断适配，输出结构化 JSON。
- `grouping`: 候选池、跨页关系图、排序和人工复核标记。
- `vector`: Chroma 页面向量索引边界。
- `db`: MySQL 表模型和初始化。
- `queue`: Redis Queue 异步任务入口。
- `api`: FastAPI 上传与任务接口。

## 注意

百度 OCR 和大模型厂商的在线 API 字段可能因购买的具体产品而不同，`BaiduPaddleOCRClient` 和 `LangChainDocumentReasoner` 已集中封装，实际对接时通常只需要调整这两个类的请求/响应映射。



# 核心代码

- src/attachment_classifier/pipeline.py：端到端流水线
- src/attachment_classifier/preprocessing/loader.py：PDF/图片/Excel/Word 拆解
  为 PageUnit
- src/attachment_classifier/ocr/baidu_paddle.py：百度 PaddleOCR 在线 API 适配
- src/attachment_classifier/rules/engine.py：YAML 可配置规则引擎
- src/attachment_classifier/llm/reasoner.py：LangChain 大模型多轮判断
- src/attachment_classifier/grouping/graph.py：跨页关系图、合并、排序、复核标
  记
- src/attachment_classifier/api/main.py：FastAPI 上传分类接口
- configs/rules.yaml：合同、发票、身份证、社保卡、招投标初始规则
- docker-compose.yml：MySQL、Redis、Chroma



配置入口在 .env.example，后续把你的百度 OCR endpoint/token 和大模型 API key/
  base_url 填进去即可。API 可用 POST /classify 上传文件，CLI 可用：

attachment-classifier classify ./附件1.pdf ./附件2.jpg --output data/outputs/result.json