Skip to content

doc-textify v0.5.0

Choose a tag to compare

View all tags
@uers123 uers123 released this 05 Aug 03:51
· 12 commits to main since this release
v0.5.0
cc043a1

doc-textify v0.5.0 发布说明

🎯 核心突破：数据点级图表提取

v0.5.0 实现了真正的数据点提取——不再只是识别图表结构，而是从图表中提取出实际的散点坐标数据：

  • 66 个数据点从 Robertson 1990 SBT 分类图中提取（此前为 0）
  • 通过轴刻度校准（log 轴锚定 + 刻度过滤）建立像素→数据坐标映射
  • 每个数据点带 panel_id 和类标签，可直接用于下游分析

Benchmark 分数：0.76 → 0.96 🚀

指标 v0.4.0 v0.5.0
总分 0.76 0.96
chart_data 0.0 0.9（12 个预期点匹配 90%）
image_presence 1.0 1.0
required_terms 1.0 1.0
panel_layout 1.0 1.0
usable_confidence 1.0 1.0

🔢 LaTeX 公式输出

  • 新增规则驱动的 LaTeX 重建器（_reconstruct_latex），无需 ML 后端
  • 支持：下标（u2 → u_2）、希腊字母（sigma → \sigma）、分数（x/y → \frac{x}{y}）、领域词汇（Bq → B_q、Au → \Delta u、ovo → \sigma_{v0}）
  • 公式块在所有输出格式（Markdown / LLM / DeepSeek）中渲染为 $$...$$

重建效果示例

输入:  By = Au / (qt - ovo)
输出:  B_q = \frac{\Delta u}{(q_t - \sigma_{v0})}

输入:  qt = qc + (1 - a) u2
输出:  q_t = q_c + (1 - a) u_2

📸 README 演示素材

  • CLI 命令行演示（真实终端风格截图）
  • 扫描 PDF → Markdown/JSON 前后对比图
  • 处理流水线架构图

⚠️ 已知限制

  • 公式区域检测在扫描件上仍可能包含正文噪声（公式块边界偏宽）
  • 数据点提取针对 SBT 图校准，其他图表类型需进一步适配

🔭 路线图

  • v0.6.0：区间/区域边界提取（zone boundary intervals）
  • v0.7.0：多引擎 OCR 融合（PaddleOCR + Tesseract）
  • v0.8.0：Web UI / REST API

Full Changelog: v0.4.0...v0.5.0

Assets 3
Loading