84 lines
4.8 KiB
JavaScript
84 lines
4.8 KiB
JavaScript
// process/ocr.js
|
||
|
||
/**
|
||
* 处理 OCR (光学字符识别) API 返回的 JSON 响应，从中提取 Markdown 文本和图片数据。
|
||
*
|
||
* 主要逻辑：
|
||
* 1. **遍历页面**：迭代 `ocrResponse.pages` 数组中的每个页面对象。
|
||
* 2. **提取图片**：
|
||
* - 如果 `page.images` 存在且为数组，则遍历其中的每个图片对象。
|
||
* - 对于每个图片，如果包含 `id` 和 `image_base64` 数据，则将其作为一个对象 `{ id, data }` 添加到 `imagesData` 数组中。
|
||
* - 同时，为当前页面创建一个 `pageImages` 映射，键为图片 ID，值为 Markdown 中引用的相对路径 (如 `images/IMAGE_ID.png`)。
|
||
* 3. **处理页面 Markdown**：
|
||
* - 获取 `page.markdown` 内容。
|
||
* - **图片路径替换**：遍历 `pageImages` 映射，使用正则表达式将 Markdown 中对原始图片 ID 的引用 (如 ``)
|
||
* 替换为新的相对路径 (如 ``)。这里会使用全局的 `escapeRegex` 函数（如果可用）来确保图片 ID 中的特殊字符被正确转义，
|
||
* 避免正则表达式执行错误。如果 `altText` 为空，则使用图片ID作为默认的 alt 文本。
|
||
* 4. **合并 Markdown**：将处理后的每个页面的 Markdown 内容追加到 `markdownContent` 字符串后，并用两个换行符分隔。
|
||
* 5. **返回结果**：返回一个包含 `markdown` (合并后的完整 Markdown 文本) 和 `images` (提取的图片数据数组) 的对象。
|
||
* 6. **错误处理**：如果在处理过程中发生任何错误，则记录错误日志，并返回一个包含错误信息的 Markdown 内容和空图片数组的对象。
|
||
*
|
||
* @param {Object} ocrResponse - OCR API 返回的原始 JSON 对象。
|
||
* 通常包含一个 `pages` 数组，每个页面对象包含 `markdown` 文本和可选的 `images` 数组。
|
||
* @returns {Object} 一个包含处理结果的对象，结构为：
|
||
* `{ markdown: string, images: Array<{id: string, data: string}> }`。
|
||
* `markdown` 是从所有页面提取并处理图片引用后的合并文本。
|
||
* `images` 是一个包含所有提取到的图片数据的数组，每个图片对象有 `id` 和 `data` (Base64 编码的图片字符串)。
|
||
*/
|
||
function processOcrResults(ocrResponse) {
|
||
let markdownContent = '';
|
||
let imagesData = [];
|
||
|
||
try {
|
||
for (const page of ocrResponse.pages) {
|
||
const pageImages = {};
|
||
|
||
if (page.images && Array.isArray(page.images)) {
|
||
for (const img of page.images) {
|
||
if (img.id && img.image_base64) {
|
||
const imgId = img.id;
|
||
const imgData = img.image_base64;
|
||
imagesData.push({ id: imgId, data: imgData });
|
||
// 记录图片 ID 到 markdown 路径的映射
|
||
// 检查 imgId 是否已包含扩展名，避免双重扩展名问题（如 img-0.jpeg.png）
|
||
const imgPath = /\.[a-z0-9]+$/i.test(imgId)
|
||
? `images/${imgId}`
|
||
: `images/${imgId}.png`;
|
||
pageImages[imgId] = imgPath;
|
||
}
|
||
}
|
||
}
|
||
|
||
let pageMarkdown = page.markdown || '';
|
||
|
||
// 修正正则表达式转义，所有 \\ 都要写成 \\\\，否则括号不匹配
|
||
for (const [imgName, imgPath] of Object.entries(pageImages)) {
|
||
// 使用全局函数 escapeRegex
|
||
const escapedImgName = typeof escapeRegex === 'function' ?
|
||
escapeRegex(imgName) :
|
||
imgName.replace(/[.*+?^${}()|[\]\\]/g, '\\$&');
|
||
|
||
const imgRegex = new RegExp(`!\\[([^\\]]*?)\\]\\(${escapedImgName}\\)`, 'g');
|
||
pageMarkdown = pageMarkdown.replace(imgRegex, (match, altText) => {
|
||
const finalAltText = altText || imgName;
|
||
return ``;
|
||
});
|
||
}
|
||
|
||
markdownContent += pageMarkdown + '\n\n';
|
||
}
|
||
|
||
return { markdown: markdownContent.trim(), images: imagesData };
|
||
} catch (error) {
|
||
console.error('处理OCR结果时出错:', error);
|
||
if (typeof addProgressLog === "function") {
|
||
addProgressLog(`错误：处理 OCR 结果失败 - ${error.message}`);
|
||
}
|
||
return { markdown: `[错误：处理OCR结果时发生错误 - ${error.message}]`, images: [] };
|
||
}
|
||
}
|
||
|
||
// 将函数添加到processModule对象
|
||
if (typeof processModule !== 'undefined') {
|
||
processModule.processOcrResults = processOcrResults;
|
||
} |