财报表格识别：PDF → 可编辑 Excel + 结构化 JSON产品系统

券商研究所、基金、会计师事务所和银行信贷、审计部门每天要处理成百上千页中文财报，包括年报、审计报告、募集说明书。这些文档的核心数据几乎全在表格里，例如资产负债表、所有者权益变动表、附注明细；而这类表格恰恰是最难识别的一类：两级甚至三级表头、大范围合并单元格、没有竖线、跨页续表、数字带千分位和括号负数。传统 OCR 只输出文字行，人工还得按坐标一行行对回去；一页 100 格的表要校对十几分钟。本项目要解决的就是把这类表格直接变成可编辑、可入库的 Excel 和 JSON：结构（合并关系）和数字一起还原，下游无论做数据入库、同行业对比还是喂给 RAG 检索，都不需要再人工重排。

① 批量文档处理：上传整本年报 PDF 或单页图片，系统按页切分、纠偏、去噪，单次最多处理 60 页；

② 版面分析：定位正文与表格区域，对宽扁表单独复核，避免把段落误判成表格；

③ 表格还原（双后端）：默认把表格裁图交给本机 vLLM 上的 PaddleOCR-VL，一次输出结构与文字；单表失败自动退回本地 ONNX 的 legacy 链路（UNet 线分割 + LORE 结构识别）；

④ 结构化导出：同时产出 JSON（页码、表格 bbox、每格 rowspan/colspan、坐标、文字）与 XLSX（一页一 sheet，合并按原样合并、数字右对齐、表外正文按行铺）；

⑤ 双入口：浏览器上传后直接查看「概览 / 完整 Excel / 完整 JSON」三个标签，也可以用一条命令跑指定页；

⑥ 资源保护：有界并发 + 有界排队 + 内存预算，过载时只拒单（429 / 503），进程永远不会因为 OOM 被杀。

我独立完成了全流程：PDF 解析与页图渲染、版面分析、表格结构与文字还原、多后端抽象与降级、Excel 导出、Web 服务与资源保护，以及评测脚本。

技术栈：Python / PyMuPDF / OpenCV / PaddleOCR-VL（vLLM 部署）/ ONNX Runtime / openpyxl / 标准库 HTTP 服务。

亮点：① 双后端解耦：legacy（UNet 线分割 + LORE，纯 CPU）与 paddleocr_vl（GPU）共用同一套版面、后处理和导出代码，切换只改 config.yaml 一个字段，单表失败自动降级，调用方无感知；② 换模型不是凭感觉，我用「10 张年报页、653 个数字，与 PDF 文字层逐字比对」做评测，数字召回 72.4% → 97.7%、精确 62.8% → 100%，才决定默认后端；③ 单页峰值内存从 4.15GB 压到 1.51GB：定位到 onnxruntime 默认 arena 按 2 的幂预占且不归还，改为关 arena、关 memory pattern、4 线程，耗时不变；实测 30 并发下成功 5、限流 25、0 个 500，进程 pid 不变、内存不累积；④ 上传走流式解析，不把整份文件读进内存，页与页之间做内存预算，超预算只中止当前这一单。

难点：中文财报的表格混合了有线和无线（三线表）两种形态，线检测在无线表上直接失效，只能走结构识别；而两级表头的合并关系一旦还原错，整张表的语义就全错了，所以合并关系（rowspan/colspan）是验收的第一指标，比文字准确率更靠前。

项目链接：GitHub - liuq789/financial-table-ocr: 财报表格识别：PDF / 图片 → 结构化 JSON + 可编辑 Excel。还原合并单元格、多级表头、无线表。 Financial ta