文档 OCR 识别服务
问题
合同、报表、扫描件这类资料大量以图片形式存在，既无法全文检索，也不能直接喂给大模型——业务方拿到一份几十页的扫描 PDF，只能靠人工逐页校对转成文字，效率极低且容易出错。更麻烦的是这些文件格式混杂：同一批资料里既有单张图片（jpg/png），也有整份图片版 PDF，还有本来就有文本层的 PDF，如果为每种格式各写一套处理逻辑，维护成本会迅速失控；而且服务要暴露给局域网内多个同事调用，上传接口还必须挡住超大文件与伪造扩展名。
方案
服务化
用 Flask 把识别能力包成 HTTP 端点 /api/ocr，局域网内同事直接上传取结果，无需安装任何客户端；配套 Werkzeug 静态模板提供简易上传页。
双流水线自动分流
核心设计。ocr_all.get_file_type() 先判定文件类型，再分派到不同流水线——图片走recognize_image()（OpenCV 预处理 + 分块送 OCR），PDF 走 recognize_pdf()；PDF 内部还先用 PyMuPDF 抽取文本层，抽到就直接用，抽不到才转图片识别，避免对已有文本层的文件做无谓的图像识别，这是准确率和速度的关键。
多引擎兜底
同时接入 pytesseract 与 transformers（torch）两套 OCR，实现上按场景取舍，识别质量不稳定时能换引擎而不改上层接口。
上传安全
secure_filename 重写文件名，杜绝路径穿越；扩展名白名单限定 txt/pdf/png/jpg/jpeg/gif/bmp/tiff；MAX_CONTENT_LENGTH 设为 16MB 拦截超大文件；落盘统一走 tempfile 临时目录，处理完即清。
可复用输出
输出统一按 ===== 第 N 页 ===== 分页标记写文本，既能直接被下游检索系统消费，也能被大模型作为上下文。
成果
扫描件与图片版 PDF 可批量转成带分页标记的可检索文本，直接对接检索系统或作为大模型上下文；识别能力以接口形式提供，局域网内其他同事与系统都能直接复用，不再依赖人工逐页校对。