Kreuzberg项目OCR功能优化：实现Tesseract可选化设计

背景与需求分析

在文档处理领域，OCR（光学字符识别）技术是文本提取的核心组件。Kreuzberg作为一个功能强大的文档处理库，其早期版本强制依赖Tesseract OCR引擎，这在实际应用中产生了两个显著问题：

1. 环境依赖问题：用户必须安装Tesseract才能使用基础功能，增加了部署复杂度
2. 灵活性不足：对于纯文本提取场景，OCR处理反而会造成不必要的性能开销

技术实现方案

架构改造

项目在v3版本中进行了架构重构，主要改进包括：

1. 模块化设计：将OCR功能拆分为独立模块
2. 依赖注入：通过策略模式实现OCR引擎的可插拔
3. 降级处理：当Tesseract不可用时自动切换至纯文本提取模式

核心接口变更

class ExtractionConfig:
    def __init__(
        self,
        use_ocr: bool = True,  # 是否启用OCR功能
        ocr_engine: Optional[OcrEngine] = None,  # 可注入自定义OCR引擎
        fallback_to_text: bool = True  # OCR失败时是否回退到文本提取
    ):
        ...

使用指南

基础用法

# 强制禁用OCR
result = await extract_bytes(
    file_data,
    mime_type=file_type,
    use_ocr=False
)

# 使用系统默认OCR引擎
result = await extract_bytes(
    file_data,
    mime_type=file_type,
    use_ocr=True
)

高级配置

# 自定义OCR引擎
class CustomOcrEngine(OcrEngine):
    async def extract_text(self, image: Image) -> str:
        # 实现自定义识别逻辑
        return processed_text

result = await extract_bytes(
    file_data,
    config=ExtractionConfig(
        ocr_engine=CustomOcrEngine()
    )
)

技术优势

1. 环境兼容性：不再强制要求Tesseract环境
2. 性能优化：纯文本场景可节省约40%处理时间
3. 扩展性：支持接入其他OCR引擎（如EasyOCR、PaddleOCR等）
4. 容错能力：完善的降级机制保障服务可用性

最佳实践建议

1. 对于已知的纯文本PDF文档，建议禁用OCR功能
2. 扫描文档处理时，推荐组合使用Tesseract+图像预处理
3. 在容器化部署时，可根据需要选择是否包含OCR依赖

未来展望

该架构为后续扩展预留了充分空间，计划在后续版本中：

1. 增加更多OCR引擎的官方支持
2. 实现智能文档类型检测，自动选择最优处理方案
3. 提供OCR质量评估指标，辅助流程优化