文档识别-表格识别-Pro（翔云开放平台）

SKILL.md

---
name: xiangyun-table-ocr
description: |
  翔云通用文档/表格识别 Agent。当用户请求以下操作时触发：
  - 通用文档识别、文档 OCR、OCR 文档、识别图片文字
  - 表格识别、表格 OCR、识别表格
  - 提取表格内容、读取表格数据
  - 识别图片/扫描件/PDF 中的文字和表格
  - 表格转 Excel、表格转 Word、表格转 Markdown
  - 导出文档、导出表格、下载识别结果
  - 批量文档识别、批量表格识别
  - 英文文档识别、日文文档识别、多语言 OCR
  - 识别发票/合同/证件/报表/对账单
  - 翔云文档识别、netocr 文档、netocr 表格
  - 识别歪斜/倾斜文档、自动校正图片

  凭据自动从 `./config.json`（Skill 目录下）加载，首次使用再向用户索要。
---

# 翔云通用文档/表格识别

## 功能概述

调用翔云 OCR 平台的**通用文档识别 API**（typeId: 3050），对图片、PDF、扫描件中的**文字、表格、版面结构**进行一体化识别，并支持导出为 Excel、Word、Markdown、PDF、TXT、OFD 等多种格式。

**适用场景**：
| 类别 | 示例 |
|:---|:---|
| 纯表格 | 财务报表、数据表格、对账单、工程量表 |
| 含表格文档 | 合同、报告、说明书、论文、试卷 |
| 纯文字文档 | 证件、发票、手写稿、扫描件 |
| 多语言文档 | 英文合同、日文资料、繁体文档、多语言混排 |

> 💡 **表格识别建议**：`layout: 1`（开启版面分析）对表格结构识别更友好。

---

## ⚠️ 安全说明

**数据发送范围**：
- 识别阶段：用户图片和 API 凭据会被发送至 [netocr.com](https://netocr.com) 进行云端 OCR 处理，图片不会在服务端持久化存储
- 下载阶段：OSS 导出会话凭证来自 API 返回的预签名 URL，文件直接下载到本地

**SSL 处理策略**：
- **主 API**（`netocr.com`）：完整 SSL 证书验证（requests 默认行为）
- **OSS 下载**（`product.netocr.com`）：翔云返回 `http://product.netocr.com/...` 预签名 URL，该域名是阿里云 OSS cn-beijing 的 CNAME。脚本将请求目标替换为阿里云 OSS 官方域名（`oss-cn-beijing.aliyuncs.com`），并通过 `Host` 头携带原始域名以使预签名校验通过，全程使用标准 HTTPS，无任何 SSL 配置修改

---

## ⚠️ 凭据配置

### 配置文件

将凭据保存到 Skill 目录下的 `config.json`：

```json
// config.json（Skill 同目录下）
{
  "key": "你的OCRKey",
  "secret": "你的OCRSecret"
}
```

> 💡 **首次使用**：创建 `config.json`，填入凭据即可。配置一次，永久使用。

### 凭据加载优先级

| 优先级 | 来源 | 说明 |
|:---:|:---|:---|
| 1 | `./config.json` | Skill 自目录配置文件 |
| 2 | 环境变量 | `NETOCR_KEY` / `NETOCR_SECRET` |
| 3 | 用户输入 | 前两者都没有时，向用户索要 |

### 首次配置流程

1. 检查 `./config.json` 是否存在且含 `key` 和 `secret`
2. 若不存在或不完整，向用户提示：

```
首次使用翔云文档识别，请配置 API 凭据：

1. 前往 https://netocr.com 注册并登录
2. 进入【个人中心】获取 API Key 和 Secret
3. 请提供：
   - key：______
   - secret：______
```

3. 收到后写入 `./config.json`，并提示用户"凭据已保存，后续无需重复输入"

---

## 触发词参考

| 触发表达 | 对应意图 |
|:---|:---|
| "识别这个文档"、"OCR 这张图片"、"读取图片文字" | 通用文档识别 |
| "识别这张表格"、"提取表格数据" | 表格识别（自动 layout=1） |
| "英文合同 OCR"、"识别日文资料" | 多语言识别 |
| "帮我识别 PDF"、"扫描件文字提取" | PDF/扫描件识别 |
| "这张发票识别一下" | 证件/票据识别 |
| "表格转 Excel"、"导出为 Markdown" | 识别 + 导出 |
| "歪斜文档识别"、"图片有点歪" | 带校正的识别 |
| "批量识别文件夹里所有图片" | 批量识别 |

---

## 执行流程

### 阶段一：识别文档

#### Step 1：加载凭据

按【凭据配置】章节顺序加载 `key` / `secret`：
- config.json → 环境变量 → 用户输入

#### Step 2：获取图片输入

支持以下方式：
- **本地文件路径**：用户提供绝对路径，脚本读取后转 Base64
- **用户拖入文件**：直接获取文件路径
- **批量目录**：用户提供文件夹路径，遍历所有图片

#### Step 3：配置识别参数

**固定参数**：
```json
{ "typeId": 3050, "format": "json" }
```

**语言参数 `nLanguage`**（默认 0=简体中文）：
| 值 | 语言 | 值 | 语言 |
|:---:|:---|:---:|:---|
| 0 | 简体中文（印刷）| 9 | 法文 |
| 1 | 繁体中文（印刷）| 10 | 西班牙文 |
| 2 | 英文 | 11 | 日文 |
| 3 | 简体中文（印刷+手写）| 12 | 韩文 |
| 4 | 繁体中文（印刷+手写）| 13 | 葡萄牙文 |
| 5 | 阿拉伯文 | 14 | 越南文 |
| 6 | 乌尔都文 | 15 | 孟加拉文 |
| 8 | 西里尔文（俄文等）| | |

> 💡 语言推断：提到"英文"→ 2；"日文"→ 11；"繁体"→ 1；未指定→ 0

**版面参数 `layout`**：
| 值 | 含义 | 适用 |
|:---:|:---|:---|
| 0 | 关闭版面分析 | 纯文字、证件 |
| **1** | 开启版面分析 | **表格首选**、多栏文档 |

**图像校正参数**：
| 参数 | 值 | 触发条件 |
|:---|:---:|:---|
| `autoRotation` | 1 | 图片自动判断是否旋转 |
| `inclineCorrect` | 0/1/2 | 不矫正/透视畸变/弯曲畸变校正 |

**预处理参数**：
| 参数 | 值 | 触发条件 |
|:---|:---:|:---|
| `removeWaterMark` | 1 | 去除水印 |
| `filterColor` | 1~4 | 滤红/滤蓝（背景干扰时）|

#### Step 4：调用识别 API

执行脚本 `scripts/recognize_table.py`：
```bash
python scripts/recognize_table.py --image <路径> --export xls
```

API 接口：
- **Base64**：`POST https://netocr.com/api/recog_table_base64`
- **File 上传**：`POST https://netocr.com/api/recog_table_file`

响应格式：`{"message": {"status": 0, "value": {...}}}`
- `status == 0` 表示成功
- `consumeId` 在 `message.value.consumeId`

#### Step 5：展示结果

- 以 Markdown 表格预览识别内容
- 告知 `consumeId`，提示可随时导出

---

### 阶段二：导出文件（按需触发）

> 仅当用户明确提出"导出/下载/转换/保存为"时才执行。

**导出格式**：
| 格式 | 说明 | 推荐场景 |
|:---|:---|:---|
| `xls` | Excel | 数据处理 |
| `flowWord` | Word 文字流 | 正文编辑 |
| `boxWord` | Word 文本框 | 保留排版 |
| `md` | Markdown | 文档转换 |
| `pdf` | 双层 PDF | 存档打印 |
| `txt` | 纯文本 | 简单提取 |
| `ofd` | OFD | 国产格式归档 |

**下载接口**：`POST https://netocr.com/api/download_file`
- **不需要 key/secret**
- 返回 OSS 预签名 URL → 再发 GET 请求下载实际文件

---

## 批量识别

1. 遍历目录下所有 `jpg/png/jpeg/webp/tif/pdf` 文件
2. 逐一调用识别 API（间隔 0.5 秒）
3. 汇总展示成功/失败统计
4. 按需批量导出

---

## 图片/文件要求

| 类型 | 要求 |
|:---|:---|
| 支持格式 | PNG、JPG、JPEG、WEBP、TIF、OFD、PDF |
| 普通图像 | 约 200KB，位深度 24 以上 |
| 扫描件 | 分辨率 300DPI，小于 3M |

---

## 错误处理

| 错误码 | 含义 | 处理 |
|:---:|:---|:---|
| 20001 | Key/Secret 错误 | 检查配置文件凭据 |
| 10001 | 缺少必要参数 | 检查 typeId/format |
| 10002 | 识别失败 | 改善图片质量，开 autoRotation |
| 10003 | 额度不足 | 充值或更换账号 |
| 10004 | 图片格式不支持 | 转为 JPG/PNG 后重试 |
| 下载失败 | consumeId 过期 | 重新识别后再下载 |

---

## 获取 key 和 secret

1. 登录[翔云](https://netocr.com)
2. 在个人中心获得

## 参考文档

详细 API 字段、参数枚举及返回结构，参考：[翔云 OCR API 参考](references/api_docs.md)