OCR API

OCR 模块 API，用于对已下载 PDF 进行文本提取与分块。

基础路径： /api/v1/projects/{project_id}/ocr

---

端点概览

方法	路径	说明
POST	/process	对指定或待处理文献执行 OCR
GET	/stats	获取 OCR 统计信息

---

POST /process

对项目内文献执行 OCR 文本提取。支持 pdfplumber（原生）与 PaddleOCR（扫描版）。

查询参数

参数名	类型	默认值	说明
paper_ids	list[int]	null	指定文献 ID 列表；为空则处理所有 pdf_downloaded 状态文献
force_ocr	bool	false	是否强制重新 OCR（覆盖已有结果）
use_gpu	bool	true	是否使用 GPU（PaddleOCR）

响应

{
  "code": 200,
  "message": "success",
  "data": {
    "processed": 5,
    "failed": 0,
    "total": 5
  }
}

示例

# 处理所有待 OCR 文献
curl -X POST "http://localhost:8000/api/v1/projects/1/ocr/process"

# 处理指定文献并强制重做
curl -X POST "http://localhost:8000/api/v1/projects/1/ocr/process?paper_ids=1&paper_ids=2&force_ocr=true"

---

GET /stats

返回项目内 OCR 相关统计。

响应

{
  "code": 200,
  "message": "success",
  "data": {
    "pending": 10,
    "metadata_only": 5,
    "pdf_downloaded": 3,
    "ocr_complete": 80,
    "indexed": 50,
    "error": 2,
    "total_chunks": 1200
  }
}

• pending, metadata_only, pdf_downloaded, ocr_complete, indexed, error：各状态文献数量
• total_chunks：项目内分块总数

示例

curl "http://localhost:8000/api/v1/projects/1/ocr/stats"

---

错误码

状态码	说明
404	项目不存在