多平台制品、统一 OCR Provider、PaddleOCR 接入

markitdown4j v0.0.3

本版本重点完成了平台化制品构建、OCR 能力解耦、远程 OCR 接入，以及仓库文档整理，适合公开分发和用户直接上手使用。

版本亮点

• 提供多种发布制品：
  • lite
  • full
  • win32
  • win64
  • linux64
  • mac
• OCR 已重构为可插拔 Provider 架构
• 已支持以下 OCR 后端：
  • tess4j
  • tesseract-cli
  • paddleocr
  • http
• 非 Windows 平台不再额外携带 Windows OCR native 资源
• 支持统一配置方式接入远程 OCR
• 仓库文档已整理，新增中英文双语 README

下载哪个包

• win64
  • 适用于 64 位 Windows
  • 内置 Windows OCR native 资源
• win32
  • 适用于 32 位 Windows
  • 内置 Windows OCR native 资源
• linux64
  • 适用于 Linux
  • 推荐配合外部或远程 OCR 使用
• mac
  • 适用于 macOS
  • 推荐配合外部或远程 OCR 使用
• lite
  • 最小体积
  • 不内置 tess4j
  • 适合远程 OCR、CI、轻量场景
• full
  • 完整包
  • 包含完整 OCR 资源

OCR 支持说明

当前支持以下 OCR 引擎：

• tess4j
  • 更适合 Windows 下的内嵌 OCR 使用方式
• tesseract-cli
  • 更适合 Linux / macOS 本地安装 Tesseract 的场景
• paddleocr
  • 远程 OCR Provider
  • 适合结构化识别、Markdown 导向输出场景
• http
  • 适合接自定义远程 OCR 服务

本版本解决了什么问题

• 支持通过 Maven Profile 构建不同平台制品
• 解决了非 Windows 平台因为 tess4j 带来额外大体积 DLL / native 资源的问题
• 统一了 OCR 配置入口，用户只需要填写配置即可切换 OCR 后端
• 接入并验证了远程 PaddleOCR Provider
• 清理并重构了仓库文档，提升首次使用体验

文档入口

• 中文说明：README.md
• English README：README.en.md
• Java CLI 中文文档：java/README.md
• Java CLI English 文档：java/README.en.md
• 命令参考：java/COMMAND_REFERENCE.md
• OCR 扩展路线图：OCR_PROVIDER_ROADMAP.md

已知说明

• Linux / macOS 默认更推荐使用外部或远程 OCR
• paddleocr 已完成真实远程服务联调
• 后续会继续扩展更多远程 OCR / VLM Provider，以满足不同用户需求