OCRFlux

OCRFlux 是一个轻量级的OCR工作流编排工具，允许灵活组合和编排多种OCR引擎，根据不同场景自动选择最佳OCR方案，提供统一的接口和结果格式。

🌟 核心特性

✅ 多引擎支持：集成PaddleOCR、Tesseract、EasyOCR等
✅ 智能路由：根据场景自动选择最优引擎
✅ 工作流编排：灵活定义OCR处理流程
✅ 结果融合：多引擎结果智能融合
✅ 插件化架构：易于扩展新的OCR引擎
✅ 统一接口：屏蔽不同引擎的API差异
✅ 性能优化：缓存、批处理、并行处理
✅ 监控与日志：完整的处理链路追踪

📦 安装与使用

快速安装

# 安装核心包
pip install ocrflux

# 安装OCR引擎（按需）
pip install paddleocr easyocr pytesseract

# 从源码安装
git clone https://github.com/ocrflux/ocrflux.git
cd ocrflux
pip install -e .

快速开始

from ocrflux import OCRFlux

# 创建OCR编排器
ocr = OCRFlux()

# 自动选择最佳引擎
result = ocr.recognize("document.jpg")

print(result.text)
print(f"使用引擎: {result.engine}")
print(f"置信度: {result.confidence}")

指定引擎

# 使用特定引擎
result = ocr.recognize("document.jpg", engine="paddleocr")

# 使用多引擎投票
result = ocr.recognize(
    "document.jpg",
    engines=["paddleocr", "easyocr", "tesseract"],
    fusion_strategy="vote"  # vote/average/weighted
)

🏗️ 技术架构

graph TB
    A[输入图像] --> B[场景检测器]
    B --> C{路由器}
    C -->|文档| D[PaddleOCR]
    C -->|场景文字| E[EasyOCR]
    C -->|印刷体| F[Tesseract]
    C -->|复杂| G[多引擎融合]
    
    D --> H[结果标准化]
    E --> H
    F --> H
    G --> H
    
    H --> I[后处理]
    I --> J[输出结果]

🎯 应用场景

1. 智能引擎选择

from ocrflux import OCRFlux, SceneDetector

# 创建编排器
ocr = OCRFlux(
    scene_detector=SceneDetector(),
    auto_select=True  # 自动选择引擎
)

# 处理不同类型的图像
doc_result = ocr.recognize("document.jpg")      # 自动选PaddleOCR
scene_result = ocr.recognize("street_sign.jpg")  # 自动选EasyOCR
print_result = ocr.recognize("book_page.jpg")    # 自动选Tesseract

print(f"文档识别引擎: {doc_result.engine}")
print(f"场景文字引擎: {scene_result.engine}")

2. 工作流定义

from ocrflux import Pipeline, stages

# 定义OCR工作流
pipeline = Pipeline([
    stages.ImagePreprocess(
        resize=True,
        denoise=True,
        enhance_contrast=True
    ),
    stages.TextDetection(
        engine="paddleocr",
        threshold=0.5
    ),
    stages.TextRecognition(
        engine="paddleocr",
        languages=["ch", "en"]
    ),
    stages.PostProcess(
        correct_spelling=True,
        remove_duplicates=True
    )
])

# 执行工作流
result = pipeline.run("document.jpg")
print(result.text)

3. 多引擎结果融合

from ocrflux import MultiEngineFusion

# 配置多引擎融合
fusion = MultiEngineFusion(
    engines=["paddleocr", "easyocr", "tesseract"],
    strategy="weighted",  # 加权融合
    weights={
        "paddleocr": 0.5,
        "easyocr": 0.3,
        "tesseract": 0.2
    }
)

# 执行融合识别
result = fusion.recognize("complex_document.jpg")

# 查看各引擎结果
for engine, output in result.engine_outputs.items():
    print(f"{engine}: {output.text[:50]}...")

# 融合后的最终结果
print(f"融合结果: {result.text}")
print(f"综合置信度: {result.confidence}")

4. 批量处理优化

from ocrflux import BatchProcessor
from pathlib import Path

# 创建批处理器
processor = BatchProcessor(
    ocr_engine="paddleocr",
    batch_size=8,
    num_workers=4,
    use_gpu=True
)

# 批量处理图像
image_paths = list(Path("./images").glob("*.jpg"))
results = processor.process_batch(image_paths)

# 处理结果
for path, result in zip(image_paths, results):
    print(f"{path.name}: {len(result.text)} 字符")

5. 自定义引擎适配器

from ocrflux import BaseEngine

class CustomOCREngine(BaseEngine):
    """自定义OCR引擎适配器"""
    
    def __init__(self, **config):
        super().__init__("custom_ocr")
        self.config = config
        # 初始化你的OCR引擎
        self.ocr = YourOCREngine(**config)
    
    def recognize(self, image):
        """识别接口"""
        # 调用你的OCR引擎
        raw_result = self.ocr.detect_and_recognize(image)
        
        # 转换为标准格式
        return self.format_result(raw_result)
    
    def format_result(self, raw_result):
        """格式化结果"""
        return {
            "text": raw_result.text,
            "boxes": raw_result.boxes,
            "confidence": raw_result.score
        }

# 注册自定义引擎
from ocrflux import EngineRegistry

EngineRegistry.register("custom", CustomOCREngine)

# 使用自定义引擎
ocr = OCRFlux(engine="custom")
result = ocr.recognize("image.jpg")

6. 条件路由策略

from ocrflux import ConditionalRouter

# 定义路由规则
router = ConditionalRouter([
    {
        "condition": lambda img: is_chinese_document(img),
        "engine": "paddleocr",
        "config": {"lang": "ch"}
    },
    {
        "condition": lambda img: is_handwritten(img),
        "engine": "handwriting_ocr"
    },
    {
        "condition": lambda img: has_tables(img),
        "engine": "table_ocr"
    },
    {
        "default": True,
        "engine": "tesseract"
    }
])

# 应用路由
ocr = OCRFlux(router=router)
result = ocr.recognize("mixed_document.jpg")

🔧 高级配置

缓存配置

from ocrflux import OCRFlux
from ocrflux.cache import RedisCache, FileCache

# 使用Redis缓存
ocr = OCRFlux(
    cache=RedisCache(
        host="localhost",
        port=6379,
        expire=3600  # 1小时过期
    )
)

# 使用文件缓存
ocr = OCRFlux(
    cache=FileCache(
        cache_dir="./cache",
        max_size_gb=10
    )
)

性能监控

from ocrflux import OCRFlux, Monitor

# 启用监控
monitor = Monitor(
    enable_timing=True,
    enable_metrics=True,
    log_file="ocr_metrics.log"
)

ocr = OCRFlux(monitor=monitor)

# 处理图像
result = ocr.recognize("image.jpg")

# 查看性能指标
stats = monitor.get_stats()
print(f"平均处理时间: {stats.avg_time}ms")
print(f"QPS: {stats.qps}")
print(f"成功率: {stats.success_rate}")

错误处理与降级

from ocrflux import OCRFlux, FallbackStrategy

# 配置降级策略
ocr = OCRFlux(
    primary_engine="paddleocr",
    fallback=FallbackStrategy(
        engines=["easyocr", "tesseract"],
        retry_times=3,
        timeout=30
    )
)

# 主引擎失败时自动降级
result = ocr.recognize("image.jpg")

📊 性能对比

特性	OCRFlux	单一引擎
准确率	95-98%	85-95%
灵活性	⭐⭐⭐⭐⭐	⭐⭐
可扩展性	⭐⭐⭐⭐⭐	⭐⭐
易用性	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
性能开销	+10-20%	-

💡 最佳实践

场景分类优先

# 先分类，再选择引擎
classifier = SceneClassifier()
scene_type = classifier.classify(image)

engine_map = {
    "document": "paddleocr",
    "scene": "easyocr",
    "printed": "tesseract"
}

ocr = OCRFlux(engine=engine_map[scene_type])

结果验证

# 低置信度时使用多引擎验证
result = ocr.recognize(image)

if result.confidence < 0.8:
    result = ocr.recognize(
        image,
        engines=["paddleocr", "easyocr"],
        fusion_strategy="vote"
    )

资源管理

# 使用上下文管理器
with OCRFlux() as ocr:
    for image in images:
        result = ocr.recognize(image)
# 自动清理资源

📚 资源链接

GitHub: https://github.com/ocrflux/ocrflux
文档: https://ocrflux.readthedocs.io/
示例: https://github.com/ocrflux/examples

⚠️ 注意事项

多引擎会增加处理时间和资源消耗
需要安装对应的OCR引擎
缓存策略需要考虑存储空间
注意各引擎的license要求

🆚 适用场景

选择 OCRFlux 当：

需要处理多种类型的文档
追求更高的准确率
需要灵活的工作流
有多个OCR引擎可用
需要统一的接口

直接使用单一引擎当：

场景单一
追求极致性能
资源受限
简单场景

🔄 更新日志

2024.06: v1.2 - 添加工作流编排
2024.03: v1.1 - 支持多引擎融合
2023.12: v1.0 - 首次发布

🌟 核心特性​

📦 安装与使用​

快速安装​

快速开始​

指定引擎​

🏗️ 技术架构​

🎯 应用场景​

1. 智能引擎选择​

2. 工作流定义​

3. 多引擎结果融合​

4. 批量处理优化​

5. 自定义引擎适配器​

6. 条件路由策略​

🔧 高级配置​

缓存配置​

性能监控​

错误处理与降级​

📊 性能对比​

💡 最佳实践​

📚 资源链接​

⚠️ 注意事项​

🆚 适用场景​

🔄 更新日志​

🌟 核心特性

📦 安装与使用

快速安装

快速开始

指定引擎

🏗️ 技术架构

🎯 应用场景

1. 智能引擎选择

2. 工作流定义

3. 多引擎结果融合

4. 批量处理优化

5. 自定义引擎适配器

6. 条件路由策略

🔧 高级配置

缓存配置

性能监控

错误处理与降级

📊 性能对比

💡 最佳实践

📚 资源链接

⚠️ 注意事项

🆚 适用场景

🔄 更新日志