### 发票/证件识别（结构化输出）

### 表格数据（CSV 友好格式）

---

## 输出文件保存

---

## 错误处理

智能文档 OCR China Doc OCR

识别并提取复杂文档内容：PDF、图片、扫描件、发票、表格、证件等。
使用硅基流动 DeepSeek-OCR / PaddleOCR-VL，国内直连，无需翻墙。
与 china-image-gen、china-tts 共用同一个 SILICONFLOWAPIKEY。

模型选择与参数说明 → references/models.md
各场景提示词模板 → references/prompts.md

触发时机

• - 帮我识别这个PDF/图片里的内容
• 把这张发票/收据的信息提取出来
• 将这份扫描合同转成可编辑文字
• 这个表格里的数据帮我提取一下
• 帮我把这张截图的文字识别出来
• 这份报告转成 Markdown 格式
• 识别这张身份证/营业执照的信息

---

模型选择策略（优先OCR）

OCR优先级：

1. 1. PaddleOCR-VL-1.5 (免费、快速、专业OCR)
2. DeepSeek-OCR (免费、效果好)
3. Qwen2.5-VL-72B (视觉语言模型，OCR效果一般但可补充)

默认使用 PaddleOCR-VL-1.5
如果识别效果不好，降级到 DeepSeek-OCR
如果仍然不好，降级到 Qwen2.5-VL-72B

---

Step 0：环境检查

bash

检查 API Key

if [ -z $SILICONFLOWAPIKEY ]; then
echo ❌ 缺少 SILICONFLOWAPIKEY
echo 配置方法：
echo 1. 访问 cloud.siliconflow.cn 注册（国内直连）
echo 2. 进入「API密钥」页面创建 Key
echo 3. export SILICONFLOWAPIKEY=sk-xxxxxxxx
echo 或写入 ~/.openclaw/.env
exit 1
fi

检查 python3（用于 base64 编码）

if ! command -v python3 &> /dev/null; then echo ❌ 需要 python3（用于文件 base64 编码） echo macOS: brew install python3 echo Ubuntu: sudo apt install python3 exit 1 fi

echo ✅ 环境检查通过

---

Step 1：识别内容类型，选择处理模式

用户提供文件路径或 URL → 判断类型：

文件扩展名/用户描述 → 处理模式：

.pdf → PDF 模式（见 Step 3）
.jpg/.jpeg/.png/.webp → 图片模式（见 Step 2）
.bmp/.tiff/.gif → 图片模式（先转换格式）
URL（http/https开头） → URL 直接模式（见 Step 2B）
用户粘贴了 base64 → 直接使用

用户意图 → 选择 Prompt 模式（见 references/prompts.md）：

转成文字/提取文字 → 通用OCR
转成Markdown/保留格式 → 文档转Markdown
提取表格/表格数据 → 图表解析
发票/收据/单据 → 发票识别
身份证/证件/执照 → 证件识别
图表/图形/柱状图 → 图表解析
未指定 → 默认文档转Markdown

---

Step 2：图片 OCR（本地文件）

Step 2A：本地图片文件

bash
IMAGE_PATH=/path/to/image.jpg # 用户提供的图片路径
PROMPT=\n<|grounding|>Convert the document to markdown. # 见 references/prompts.md

将图片编码为 base64

BASE64_DATA=$(python3 -c import base64, sys with open($IMAGE_PATH, rb) as f: data = base64.b64encode(f.read()).decode(utf-8) print(data) )

判断图片格式（用于 data URL）

EXT=${IMAGE_PATH##*.} case $EXT in jpg|jpeg) MIME=image/jpeg ;; png) MIME=image/png ;; webp) MIME=image/webp ;; bmp) MIME=image/bmp ;; *) MIME=image/jpeg ;; esac

调用 OCR 模型（优先 PaddleOCR-VL-1.5）

模型选择：PaddleOCR-VL-1.5 > DeepSeek-OCR > Qwen2.5-VL

MODEL=PaddlePaddle/PaddleOCR-VL-1.5 # 默认使用PaddleOCR

curl -s -X POST https://api.siliconflow.cn/v1/chat/completions \
-H Authorization: Bearer $SILICONFLOWAPIKEY \
-H Content-Type: application/json \
-d {
\model\: \$MODEL\,
\messages\: [
{
\role\: \user\,
\content\: [
{
\type\: \image_url\,
\image_url\: {
\url\: \data:${MIME};base64,${BASE64_DATA}\,
\detail\: \high\
}
},
{
\type\: \text\,
\text\: \$PROMPT\
}
]
}
],
\max_tokens\: 4096,
\stream\: false
} | python3 -c
import sys, json
data = json.load(sys.stdin)
if choices in data:
print(data[choices][0][message][content])
else:
print(错误：, json.dumps(data, ensure_ascii=False))

Step 2B：图片 URL（无需下载，直接传 URL）

bash
IMAGE_URL=https://example.com/document.jpg

curl -s -X POST https://api.siliconflow.cn/v1/chat/completions \
-H Authorization: Bearer $SILICONFLOWAPIKEY \
-H Content-Type: application/json \
-d {
\model\: \Pro/deepseek-ai/DeepSeek-V3\,
\messages\: [
{
\role\: \user\,
\content\: [
{
\type\: \image_url\,
\image_url\: {
\url\: \$IMAGE_URL\,
\detail\: \high\
}
},
{
\type\: \text\,
\text\: \\\n<|grounding|>Convert the document to markdown.\
}
]
}
],
\max_tokens\: 4096
} | python3 -c
import sys, json
data = json.load(sys.stdin)
print(data[choices][0][message][content])

---

Step 3：PDF OCR

单页或少页 PDF（直接整体处理）

bash
PDF_PATH=/path/to/document.pdf

PDF 转 base64

BASE64_PDF=$(python3 -c import base64 with open($PDF_PATH, rb) as f: print(base64.b64encode(f.read()).decode(utf-8)) )

curl -s -X POST https://api.siliconflow.cn/v1/chat/completions \
-H Authorization: Bearer $SILICONFLOWAPIKEY \
-H Content-Type: application/json \
-d {
\model\: \Pro/deepseek-ai/DeepSeek-V3\,
\messages\: [
{
\role\: \user\,
\content\: [
{
\type\: \image_url\,
\image_url\: {
\url\: \data:application/pdf;base64,${BASE64_PDF}\,
\detail\: \high\
}
},
{
\type\: \text\,
\text\: \\\n<|grounding|>Convert the document to markdown.\
}
]
}
],
\max_tokens\: 8192
} | python3 -c
import sys, json
data = json.load(sys.stdin)
print(data[choices][0][message][content])

多页 PDF 分页处理

bash
PDF_PATH=/path/to/multipage.pdf
OUTPUTDIR=${OPENCLAWWORKSPACE:-$PWD}/ocr$(date +%Y%m%d%H%M%S)
mkdir -p $OUTPUT_DIR

用 python3 分页提取并分别识别

python3 << PYEOF import base64, json, urllib.request, os, sys

pdfpath = $PDFPATH
outputdir = $OUTPUTDIR
apikey = $SILICONFLOWAPI_KEY

尝试用 pypdf 分页

try: import pypdf reader = p