番石榴智能文档识别：离线文档与表格智能识别工具

番石榴智能文档识别（intelligent_document_recognition）是由开发者 jiangnanboy 开发的开源桌面软件，托管于 GitHub，专注于离线处理文档和表格的智能识别。软件整合了光学字符识别（OCR）和表格结构识别功能，无需联网运行，确保数据隐私安全。用户可从图片或 PDF 中提取文本和表格，保存为 txt、html 或 excel 格式。软件支持中英文界面，最新版本 v2.1 新增截图识别和图片列表删除功能，操作更便捷。番石榴智能文档识别适合个人、企业或教育用户处理文档，特别适用于需要高效整理数据的场景。

功能列表

• 离线 OCR 识别：从图片或 PDF 中提取文本，无需联网。
• 表格结构识别：自动解析表格内容，输出为 html 或 excel 格式。
• 截图识别（v2.1）：鼠标框选屏幕内容，实时提取文字。
• 图片列表管理：支持删除左侧栏中的图片文件。
• 多格式输出：识别结果可保存为 txt、html 或 excel 文件。
• 中英文界面：提供中文和英文版本，操作界面友好。

使用帮助

安装流程

番石榴智能文档识别是一款桌面软件，需下载并安装到本地设备。以下是详细安装步骤：

1. 下载软件
   软件提供中文和英文版本的安装包，可从以下渠道下载最新版本（v2.1）：
   • 中文版 ：
     • 百度网盘：https://pan.baidu.com/s/1owzG74DLPxq6czEQC7ZNwQ（提取码：nt3z）
     • Hugging Face：https://huggingface.co/jiangnanboy/intelligent_document_recognition
   • 英文版 ：
     • 百度网盘：https://pan.baidu.com/s/1Cv-hG6fMDUhj9dd3Et1RuA（提取码：rkrd）
     • Hugging Face：https://huggingface.co/jiangnanboy/intelligent_document_recognition
       下载后，将压缩包解压到本地目录，例如 C:\guava_document_recognition。
2. 安装 Tesseract OCR
   软件依赖 Tesseract OCR 引擎进行文字识别。安装步骤如下：
   • Windows ：从 Tesseract GitHub 下载安装包并安装。
   • Linux ：运行命令 sudo apt-get install tesseract-ocr。
   • Mac ：运行命令 brew install tesseract。
     安装完成后，确保 Tesseract 可执行文件路径已添加至系统环境变量（Windows 用户需手动配置）。
3. 运行软件
   解压软件包后，双击运行 intelligent_document_recognition.exe（Windows）或对应可执行文件。首次运行会加载 OCR 模型，可能需要几秒钟。软件启动后，选择中文或英文界面（根据下载版本）。

使用方法

番石榴智能文档识别提供直观的图形界面，支持以下功能的操作：

1. 离线 OCR 识别
   • 打开软件，点击“文件上传”按钮，导入图片（JPG、PNG）或 PDF 文件。
   • 点击“OCR 识别”按钮，软件自动提取文件中的文本。
   • 识别结果显示在右侧文本框，用户可编辑或保存为 txt 或 html 格式：
     • 点击“保存”按钮，选择输出格式和保存路径。
   • 示例：上传一张会议记录图片，软件提取文字并保存为 notes.txt。
2. 表格结构识别
   • 上传包含表格的图片或 PDF 文件。
   • 选择“表格识别”选项，软件自动解析表格内容。
   • 结果可保存为 html 或 excel 格式：
     • 点击“导出表格”按钮，选择格式并保存。
   • 示例：上传财务报表 PDF，软件生成 report.xlsx 文件，包含完整表格数据。
3. 截图识别（v2.1 新功能）
   • 点击“截图”按钮，软件界面自动隐藏。
   • 用鼠标框选屏幕上的目标区域（如网页或文档内容）。
   • 释放鼠标后，软件识别框选区域的文字并显示在文本框中。
   • 用户可编辑或保存结果为 txt 或 html。
   • 示例：框选屏幕上的课程表，软件提取文字并保存为 schedule.txt。
4. 图片列表管理
   • 软件左侧栏显示已上传的图片列表。
   • 选中不需要的图片，点击“删除”按钮或按 Delete 键移除。
   • 此功能适合批量处理时清理无用文件。
5. 中英文界面切换
   • 软件根据下载版本显示中文或英文界面，操作逻辑一致。
   • 例如，中文版显示“文件上传”，英文版显示“Upload File”。
   • 用户可根据需求选择适合的语言版本。
6. 批量处理
   • 将多个图片或 PDF 放入软件指定文件夹（如 input 文件夹）。
   • 选择“批量识别”功能，软件自动处理所有文件并保存结果。
   • 输出文件默认保存在 output 文件夹，可在设置中更改路径。

配置与优化

• 调整输出格式 ：编辑软件根目录的 config.ini 文件，设置默认输出格式或保存路径：

[Output]
default_format = txt
save_path = ./output

• 提高识别准确性 ：确保输入文件清晰，高分辨率图片（至少 300 DPI）效果最佳。模糊或低质量文件可能导致识别错误。
• 日志调试 ：如识别结果不准确，查看 logs 文件夹中的日志文件，分析错误原因。
• 性能优化 ：处理大型文件时，关闭其他占用资源的程序以提高处理速度。

注意事项

• 文件质量 ：上传的图片或 PDF 需清晰，避免模糊或倾斜以确保识别准确。
• 系统兼容性 ：软件支持 Windows、Linux 和 Mac，需正确安装 Tesseract OCR。
• 数据安全 ：软件完全离线运行，数据不上传云端，适合处理敏感信息。
• 更新软件 ：定期检查百度网盘或 Hugging Face 下载最新版本，覆盖旧版本文件夹即可。
• 联系支持 ：如遇问题，可通过微信公众号“番石榴AI”联系开发者。

应用场景

1. 企业文档管理
   企业用户上传扫描的合同、发票或报表，提取文本和表格，快速生成可编辑文档，提高办公效率。
2. 学术研究支持
   研究人员处理学术论文 PDF，提取关键文本或表格，整理为 txt 或 excel 文件，便于数据分析。
3. 教育资源整理
   教师将试卷或教材扫描件上传，提取题目或表格内容，整理教学资料，支持离线操作。
4. 个人效率提升
   用户通过截图功能快速提取屏幕上的文字，如会议记录或网页内容，保存为可编辑文件。

QA

1. 番石榴智能文档识别是否需要联网？
   软件完全离线运行，数据处理在本地完成，保障隐私安全。
2. 支持哪些文件格式？
   支持 JPG、PNG、PDF 等格式，推荐使用高分辨率文件以提高识别效果。
3. 如何处理识别错误的文本？
   检查输入文件清晰度，或在软件设置中调整 OCR 灵敏度。若问题未解决，联系开发者反馈。
4. 表格识别是否支持复杂表格？
   支持规则表格，复杂嵌套表格可能需预处理图片以提高准确性。
5. 如何更新到最新版本？
   从百度网盘或 Hugging Face 下载 v2.1 版本，解压后覆盖旧版本文件夹。