InfoExtractorPro 🚀

InfoExtractorPro 是一款基于大语言模型（LLM）和高精度 OCR 技术的行业领先文档信息提取平台。它旨在通过自动化的方式，从复杂的 PDF、扫描件、图片及 Word 文档中，精准提取结构化数据，并支持多轮校验与并发加速。

---

✨ 核心特性

• 📂 多格式支持: 深度适配 PDF (多页)、扫描件、图片、Docx 及 TXT 格式。
• 🔍 混合 OCR 引擎: 集成 PaddleOCR 高精度识别与 PyMuPDF 原生解析，确保文本定位精准。
• 🧠 智能批次提取:
  • 支持将字段分批提取，同批次字段在一次 LLM 调用中并行完成。
  • 支持跨 Batch 独立并行调用，显著提升处理速度。
• ⚙️ 多轮提取逻辑 (Multi-Pass): 支持对复杂文档进行多轮扫描，通过“早期退出”机制，在找齐字段后自动停止，兼顾准确度与 Token 成本。
• 🖼️ 全局 BBox 定位: 提取结果可实时回溯到文档原文位置，支持高亮预览与 page-to-page 跳转。
• 🌐 云端部署就绪: 完美适配 Vercel (Frontend) + Render (Backend) + Supabase (Database/Storage/Auth) 架构。

---

🛠️ 技术栈

前端 (Frontend)

• Framework: Next.js 15 (App Router)
• Language: TypeScript
• Styling: Tailwind CSS
• Icons: Lucide React
• Authentication: Supabase Auth

后端 (Backend)

• Framework: FastAPI (Python 3.11+)
• Storage/DB: Supabase (PostgreSQL & Storage)
• OCR: PaddleOCR (VL-1.5)
• LLM: OpenAI 兼容协议接口 (可适配 GPT-4, GLM-4, Claude 等)
• Concurrency: Asyncio (高并发异步处理)

OLLAMA启动本地模型

OLLAMA_NUM_CTX=10000 ollama serve

---

🚀 快速开始

1. 环境准备

确保你已经配置好以下服务：

• Supabase 项目（用于存储文件和数据库）
• 自定义 LLM API Key (支持 OpenAI 格式)

2. 克隆项目

git clone https://github.com/CRonaldo1997/infoExtractorPro.git
cd infoExtractorPro

3. 配置环境变量

后端 (/backend/.env):

SUPABASE_URL=你的Supabase项目URL
SUPABASE_SERVICE_ROLE_KEY=你的ServiceRoleKey
PADDLEOCR_TOKEN=你的PaddleOCR令牌
PADDLEOCR_JOB_URL=PaddleOCR接口地址
PADDLEOCR_MODEL=PaddleOCR-VL-1.5

前端 (/frontend/.env.local):

NEXT_PUBLIC_SUPABASE_URL=你的Supabase项目URL
NEXT_PUBLIC_SUPABASE_ANON_KEY=你的AnonKey
NEXT_PUBLIC_API_URL=http://localhost:8000

4. 运行项目

启动后端:

cd backend
pip install -r requirements.txt
uvicorn main:app --reload

启动前端:

cd frontend
npm install
npm run dev

---

📦 部署指南

前端 (Vercel)

1. 在 Vercel 中导入仓库下的 frontend 文件夹。
2. 配置 NEXT_PUBLIC_ 开头的三个环境变量。
3. 构建命令：npm run build。

后端 (Render)

1. 在 Render 中创建 Web Service，指定 Root Directory 为 backend。
2. Start Command: uvicorn main:app --host 0.0.0.0 --port 8000。
3. 配置相应的环境参数。

---

🤝 参与贡献

如果你有任何改进建议或发现了 Bug，欢迎提交 Issue 或 Pull Request。

📄 开源协议

MIT License