OCR Extraction

何时使用

当用户上传或引用的文档符合以下任一情况时，必须执行 OCR，不能直接判定“无法提取”：

• 扫描件 PDF（页面本质是图片，没有可选中文字）
• 照片、截图、扫描图片（PNG / JPG / TIFF / BMP / WebP）
• read 返回乱码、空白或提示是二进制的 PDF
• 用户提到“扫描件”“图片文字”“无法提取”“识别文字”等

提取流程

1. 先判断文件位置：使用 ls 或 bash 确认文件在用户工作区中的绝对路径。
2. 优先调用 ocr_agent.py：如果工作区根目录存在 ocr_agent.py，直接运行：

   python3 ocr_agent.py auto <file_path>
   

   • auto 模式会自动判断是否需要 OCR，并返回结构化 JSON（含 text、markdown、confidence、pages_count 等）。
   • 若需更高精度，可换用 python3 ocr_agent.py scan <file_path> --profile complex_document。
3. 没有 ocr_agent.py 时的兜底：使用 bash 内联 Python 脚本：

   python3 << 'PYEOF'
   import fitz, pytesseract, io
   from PIL import Image
   path = "<file_path>"
   doc = fitz.open(path)
   texts = []
   for page in doc:
       pix = page.get_pixmap(dpi=300)
       img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
       text = pytesseract.image_to_string(img, lang="chi_sim+eng")
       if text.strip():
           texts.append(text)
   print("\n---PAGE_BREAK---\n".join(texts))
   PYEOF
   

4. 验证结果：如果 OCR 结果为空或明显残缺，尝试：
   • 提高分辨率（dpi=300 或 dpi=400）
   • 指定中文语言包（lang="chi_sim"）
   • 对图片做预处理（灰度、二值化）
5. 继续后续任务：提取到文本后，立即用于用户要求的分析、摘要、起草、审查等，不要把 OCR 结果甩给用户就结束。

输出格式

• 直接返回提取到的文本内容，并简要说明识别到的页数/置信度。
• 如果文本较长，先给出关键片段，再告诉用户完整内容已保存到哪个文件（可用 write 保存到工作区）。

注意事项

• 不要在没有尝试 OCR 的情况下告诉用户“这是扫描件，无法处理”。
• 如果 OCR 依赖的 Python 包未安装，先尝试 pip install pymupdf pytesseract pillow。
• 如果系统中没有 Tesseract，使用 brew install tesseract tesseract-lang（macOS）或 apt install tesseract-ocr tesseract-ocr-chi-sim（Linux）。