OCR / 文本提取

使用基于 AI 的光学字符识别从图片中提取文本。支持多种语言和质量档位。

API 端点

POST /api/v1/tools/image/ocr

处理方式： 同步 JSON 响应。若提供了 clientJobId，则进度也会通过 SSE 上报。

模型包： ocr（5-6 GB）

参数

参数	类型	是否必填	默认值	说明
file	file	是	-	图片文件（multipart）
quality	string	否	"balanced"	质量档位：fast（Tesseract）、balanced（PaddleOCR v5）、best（PaddleOCR VL）
language	string	否	"auto"	语言提示：auto、en、de、fr、es、zh、ja、ko
enhance	boolean	否	true	对图片进行预处理以提高 OCR 准确度
engine	string	否	-	已弃用。请改用 quality。将 tesseract 映射为 fast，将 paddleocr 映射为 balanced

请求示例

curl -X POST http://localhost:1349/api/v1/tools/image/ocr \
  -F "[email protected]" \
  -F 'settings={"quality":"best","language":"en","enhance":true}'

响应（200 OK）

{
  "jobId": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
  "filename": "document.png",
  "text": "Extracted text content from the image...",
  "engine": "paddleocr-vl"
}

进度（SSE，可选）

若提供了 clientJobId 表单字段，则会流式传输进度事件：

event: progress
data: {"phase":"processing","stage":"Recognizing text...","percent":50}

说明

• 需要安装 ocr 模型包（5-6 GB）。
• OCR 直接返回提取的文本，而不是图片下载 URL。
• 采用回退链：若某个较高质量的档位崩溃（例如 PaddleOCR 段错误），会自动使用下一个较低档位重试。
• 若某个档位未崩溃但返回了空文本，也会回退到下一个档位。
• 质量档位对应引擎：fast = Tesseract，balanced = PaddleOCR v5，best = PaddleOCR VL。
• 通过自动解码支持 HEIC/HEIF、RAW、TGA、PSD、EXR 和 HDR 输入格式。