展开本页目录
开始前准备什么
- Python环境与本地CPU；Indra使用ONNX，不需要PyTorch或GPU，首次运行需下载约76MB默认模型，math模型另计。
- 代码Apache2.0；权重modified OpenRAIL-M，有企业规模与竞争用途限制，不能宣传无限制免费商用。
- 本课原生材料可离线免费检查；目标识别未执行，实际page.source/conf/坐标只能运行后填写。
- 准备混合PDF
- 核对文字层组成
- 运行默认auto
- 关闭image OCR对照
- 检查去重边界
- 确认标签完整
- 交付开关对照
1. 准备混合PDF
原生正文写“工具位置见图”，嵌入图片内写A区、B区、C区。
这三个标签必须在图片像素中，不作为可选择文字叠加。
2. 核对文字层组成
用PDF文字选择或独立提取确认正文存在、三个图标签不在层中。
否则无法验证image_ocr补识别作用。
3. 运行默认auto
保留实际source及逐块结果，检查图内文字。
结果可能是hybrid，需按真实返回记录。
官方界面与功能位置
以下为官方文档配图，具体版本与账号入口以当前产品为准。本课练习输入与验收对照见相邻步骤。
4. 关闭image OCR对照
同图同PDF使用--no-image-ocr重跑。
正文应仍可读取，图片内标签覆盖则单独比较。
5. 检查去重边界
把正文和图中文字按来源分别计数。
图中出现与正文相同词时也要保存来源，不能盲目全文去重。
6. 确认标签完整
逐字核对A、B、C，尤其容易混淆的B和8。
出现漏字应保留差异，不凭位置把标签填完整。
7. 交付开关对照
保存PDF、文字层核查、两份原始输出和来源表。
未识别时只交原稿与模式配置，不预填hybrid成功。
下载本课材料并开始操作
练习包包含本课的具体输入、可编辑数据、正反样例与七步说明。index.html 可离线查看原件和验收参考，actual-results.csv 用于记录你实际操作后的结果。
怎样确认已经完成
- 原稿图标签确实不在文字层。
- 关闭开关只影响图内补识别范围。
- 正文没有重复且标签逐字核对。
常见问题
PDF本来有文字层，图片里的字为什么没出来？
这些标签可能只存在图像像素。Indra auto可补OCR图片内文字，但--no-image-ocr会关闭它，本课用同页开关对照确认。
重复文字直接全局去重可以吗？
不宜。正文和图里可能合法出现相同词，应该先看来源块；无条件去重可能删掉图例或注释。