将ocr解析模块独立出来

ocr/__init__.py

@@ -32,22 +32,6 @@
 import sys
 from pathlib import Path
 
-try:
-    _package = __package__
-except NameError:
-    _package = None
-
-if _package is None:
-    # 直接运行时，添加父目录到路径并使用绝对导入
-    parent_dir = Path(__file__).parent.parent
-    if str(parent_dir) not in sys.path:
-        sys.path.insert(0, str(parent_dir))
-    from ocr.ocr import OCR, TextDetector, TextRecognizer
-    from ocr.pdf_parser import SimplePdfParser
-else:
-    # 作为模块导入时使用相对导入
-    from .ocr import OCR, TextDetector, TextRecognizer
-    from .pdf_parser import SimplePdfParser
 
 __all__ = ['OCR', 'TextDetector', 'TextRecognizer', 'SimplePdfParser']
 

ocr/api.py

@@ -28,30 +28,14 @@ from typing import Optional
 
 from fastapi import APIRouter, File, Form, HTTPException, UploadFile
 from fastapi.responses import JSONResponse
-from pydantic import BaseModel
+from pydantic import BaseModel, Field
 
-# 处理导入问题：支持直接运行和模块导入
+from ocr import SimplePdfParser
-
+from ocr.config import MODEL_DIR
-try:
-    _package = __package__
-except NameError:
-    _package = None
-
-if _package is None:
-    # 直接运行时，添加父目录到路径并使用绝对导入
-    parent_dir = Path(__file__).parent.parent
-    if str(parent_dir) not in sys.path:
-        sys.path.insert(0, str(parent_dir))
-    from ocr.pdf_parser import SimplePdfParser
-    from ocr.config import MODEL_DIR
-else:
-    # 作为模块导入时使用相对导入
-    from pdf_parser import SimplePdfParser
-    from config import MODEL_DIR
 
 logger = logging.getLogger(__name__)
 
-router = APIRouter(prefix="/api/v1/ocr", tags=["OCR"])
+ocr_router = APIRouter(prefix="/api/v1/ocr", tags=["OCR"])
 
 # 全局解析器实例（懒加载）
 _parser_instance: Optional[SimplePdfParser] = None
@@ -330,3 +314,212 @@ async def parse_pdf_path(
             detail=f"解析PDF时发生错误: {str(e)}"
         )
 
+
+@router.post(
+    "/parse_into_bboxes",
+    summary="解析PDF并返回边界框",
+    description="解析PDF文件并返回文本边界框信息，用于文档结构化处理",
+    response_description="返回包含文本边界框的列表"
+)
+async def parse_into_bboxes_endpoint(
+    pdf_bytes: bytes = File(..., description="PDF文件的二进制数据"),
+    filename: str = Form("document.pdf", description="文件名（仅用于日志）"),
+    zoomin: int = Form(3, ge=1, le=5, description="图像放大倍数（1-5，默认为3）")
+):
+    """
+    解析PDF并返回边界框
+    
+    此接口用于将PDF文档解析为结构化文本边界框，每个边界框包含：
+    - 文本内容
+    - 页面编号
+    - 坐标信息（x0, x1, top, bottom）
+    - 布局类型（如 text, table, figure 等）
+    - 图像数据（如果有）
+    
+    Args:
+        pdf_bytes: PDF文件的二进制数据
+        filename: 文件名（仅用于日志记录）
+        zoomin: 图像放大倍数（1-5之间）
+    
+    Returns:
+        dict: 包含解析结果的对象，data字段为边界框列表
+    
+    Raises:
+        HTTPException: 400 - 如果PDF数据为空
+        HTTPException: 500 - 如果解析过程中发生错误
+    """
+    if not pdf_bytes:
+        raise HTTPException(status_code=400, detail="PDF数据为空")
+    
+    temp_file = None
+    try:
+        # 保存到临时文件
+        with tempfile.NamedTemporaryFile(delete=False, suffix='.pdf') as tmp:
+            tmp.write(pdf_bytes)
+            temp_file = tmp.name
+        
+        logger.info(f"Parsing PDF into bboxes: {filename}, zoomin={zoomin}")
+        
+        # 定义一个简单的callback包装器，用于处理进度回调（记录日志）
+        def progress_callback(prog, msg):
+            logger.info(f"Progress: {prog:.2%} - {msg}")
+        
+        parser = get_parser()
+        result = await asyncio.to_thread(
+            parser.parse_into_bboxes,
+            temp_file,
+            progress_callback,
+            zoomin
+        )
+        
+        # 将图像数据转换为base64或None
+        processed_result = []
+        for bbox in result:
+            processed_bbox = dict(bbox)
+            # 如果有图像，转换为base64（如果需要的话，可以在这里处理）
+            # 但为了保持兼容性，我们保留原始格式
+            processed_result.append(processed_bbox)
+        
+        return ParseResponse(
+            success=True,
+            message=f"成功解析PDF为边界框: {filename}",
+            data={"bboxes": processed_result}
+        )
+    
+    except Exception as e:
+        logger.error(f"Error parsing PDF into bboxes: {str(e)}", exc_info=True)
+        raise HTTPException(
+            status_code=500,
+            detail=f"解析PDF为边界框时发生错误: {str(e)}"
+        )
+    
+    finally:
+        # 清理临时文件
+        if temp_file and os.path.exists(temp_file):
+            try:
+                os.unlink(temp_file)
+            except Exception as e:
+                logger.warning(f"Failed to delete temp file {temp_file}: {e}")
+
+
+class TextRequest(BaseModel):
+    """文本处理请求模型"""
+    text: str = Field(..., description="需要处理的文本内容")
+
+
+class RemoveTagResponse(BaseModel):
+    """移除标签响应模型"""
+    success: bool
+    message: str
+    text: Optional[str] = None
+
+
+@router.post(
+    "/remove_tag",
+    response_model=RemoveTagResponse,
+    summary="移除文本中的位置标签",
+    description="从文本中移除PDF解析生成的位置标签（格式：@@页码\t坐标##）",
+    response_description="返回移除标签后的文本"
+)
+async def remove_tag_endpoint(request: TextRequest):
+    """
+    移除文本中的位置标签
+    
+    此接口用于从包含位置标签的文本中移除标签信息。
+    位置标签格式为：@@页码\t坐标##，例如：@@1\t100.0\t200.0\t50.0\t60.0##
+    
+    Args:
+        request: 包含待处理文本的请求对象
+    
+    Returns:
+        RemoveTagResponse: 包含处理结果的响应对象
+    
+    Raises:
+        HTTPException: 400 - 如果文本为空
+    """
+    if not request.text:
+        raise HTTPException(status_code=400, detail="文本内容不能为空")
+    
+    try:
+        cleaned_text = SimplePdfParser.remove_tag(request.text)
+        
+        return RemoveTagResponse(
+            success=True,
+            message="成功移除文本标签",
+            text=cleaned_text
+        )
+    
+    except Exception as e:
+        logger.error(f"Error removing tag: {str(e)}", exc_info=True)
+        raise HTTPException(
+            status_code=500,
+            detail=f"移除标签时发生错误: {str(e)}"
+        )
+
+
+class ExtractPositionsResponse(BaseModel):
+    """提取位置信息响应模型"""
+    success: bool
+    message: str
+    positions: Optional[list] = None
+
+
+@router.post(
+    "/extract_positions",
+    response_model=ExtractPositionsResponse,
+    summary="从文本中提取位置信息",
+    description="从包含位置标签的文本中提取所有位置坐标信息",
+    response_description="返回提取到的位置信息列表"
+)
+async def extract_positions_endpoint(request: TextRequest):
+    """
+    从文本中提取位置信息
+    
+    此接口用于从包含位置标签的文本中提取所有位置坐标信息。
+    位置标签格式为：@@页码\t坐标##
+    
+    返回的位置信息格式为：
+    [
+        ([页码列表], left, right, top, bottom),
+        ...
+    ]
+    
+    Args:
+        request: 包含待处理文本的请求对象
+    
+    Returns:
+        ExtractPositionsResponse: 包含提取结果的响应对象
+    
+    Raises:
+        HTTPException: 400 - 如果文本为空
+    """
+    if not request.text:
+        raise HTTPException(status_code=400, detail="文本内容不能为空")
+    
+    try:
+        positions = SimplePdfParser.extract_positions(request.text)
+        
+        # 将位置信息转换为可序列化的格式
+        serializable_positions = [
+            {
+                "page_numbers": pos[0],
+                "left": pos[1],
+                "right": pos[2],
+                "top": pos[3],
+                "bottom": pos[4]
+            }
+            for pos in positions
+        ]
+        
+        return ExtractPositionsResponse(
+            success=True,
+            message=f"成功提取 {len(positions)} 个位置信息",
+            positions=serializable_positions
+        )
+    
+    except Exception as e:
+        logger.error(f"Error extracting positions: {str(e)}", exc_info=True)
+        raise HTTPException(
+            status_code=500,
+            detail=f"提取位置信息时发生错误: {str(e)}"
+        )

ocr/main.py

@@ -29,25 +29,8 @@ import uvicorn
 from fastapi import FastAPI
 from fastapi.middleware.cors import CORSMiddleware
 
-# 处理直接运行时的导入问题
+from ocr.api import ocr_router
-# 当直接运行 python ocr/main.py 时，__package__ 为 None
+from ocr.config import MODEL_DIR
-# 当作为模块运行时（python -m ocr.main），__package__ 为 'ocr'
-try:
-    _package = __package__
-except NameError:
-    _package = None
-
-if _package is None:
-    # 直接运行脚本时，添加父目录到路径
-    parent_dir = Path(__file__).parent.parent
-    if str(parent_dir) not in sys.path:
-        sys.path.insert(0, str(parent_dir))
-    from api import router as ocr_router
-    from config import MODEL_DIR
-else:
-    # 作为模块导入时使用相对导入
-    from api import router as ocr_router
-    from config import MODEL_DIR
 
 # 配置日志
 logging.basicConfig(