服务器需要有docker，或者直接访问官方提供的demo： https://demo.ragflow.io/
docker-compose安装
- 需要确保
vm.max_map_count不小于 262144 【更多】：
sysctl -w vm.max_map_count=262144 - 克隆仓库：
$ git clone https://github.com/infiniflow/ragflow.git - 进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：
$ cd ragflow/docker $ docker compose -f docker-compose-CN.yml up -d 核心镜像文件大约 15 GB，可能需要一定时间拉取。请耐心等待。
体验
启动成功后，浏览器输入 http://服务器ip 或者直接访问官方demo https://demo.ragflow.io/
注册登录，进入后可以创建知识库，然后上传文档。
上传成功后，可以通过解析状态查看解析进度，也可以配置文档的parser解析方法，以更好的解析内容。
点击文档名称，可以进入文档详情，查看拆分的chunk，可以看到普通的文本是按照token拆分，还未实现按照段落语义拆分，差评。表格是单独抽取出来，独立存储的，将文档里的表格比较好的还原为了html表格，准确率尚可，这里好评。每个chunk有原文截图，点击后，右边的pdf预览，可以高亮当前的chunk所在区域，翻了下代码，使用的react-pdf-highlighter，体验挺好的一个组件。
DeepDoc CV模型
DeepDoc的模型应该是基于paddleOCR的模型去微调训练的，开源出来的模型是onnx格式的。
OCR识别
主要代码在ocr.py里，代码定义TextRecognizer 做文字识别，TextDetector 做文本框检测，OCR整合检测和识别功能，对外提供调用。
OCR的核心流程：
- 创建 OCR 实例，load模型
- 调用
__call__方法，传入图像数据。- 使用 TextDetector 进行文本检测，获取文本框坐标
- 对每个文本框，使用 get_rotate_crop_image 方法进行旋转和裁剪
- 使用 TextRecognizer 对裁剪后的图像进行文本识别
- 过滤掉置信度低于阈值(0.5)的识别结果。
- 返回最终的文本框坐标和识别结果。
版面分析
版面分析主要在recognizer.py和layout_recognizer.py里，定义了一个名为LayoutRecognizer 继承Recognizer的类，用于对文档图像进行板式分析，识别不同类型的区域，例如表格、标题、段落等。这里用的模型应该还是基于paddleocr里的版面分析模型去优化的。
先看Recognizer的__call__ 方法，传入图像列表和置信度阈值：
def __call__(self, image_list, thr=0.7, batch_size=16):
res = []
imgs = []
for i in range(len(image_list)):
if not isinstance(image_list[i], np.ndarray):
imgs.append(np.array(image_list[i]))
else: imgs.append(image_list[i])
batch_loop_cnt = math.ceil(float(len(imgs)) / batch_size)
for i in range(batch_loop_cnt):
start_index = i * batch_size
end_index = min((i + 1) * batch_size, len(imgs))
batch_image_list = imgs[start_index:end_index]
inputs = self.preprocess(batch_image_list)
print("preprocess")
for ins in inputs:
bb = self.postprocess(self.ort_sess.run(None, {k:v for k,v in ins.items() if k in self.input_names})[0], ins, thr)
res.append(bb)
#seeit.save_results(image_list, res, self.label_list, threshold=thr)
return res- 先预处理，将图像列表转换为模型输入格式
- 然后调用ort_sess执行onnx推理，最后postprocess，提取模型返回的布局信息，包括区域类型、坐标和置信度。
再看LayoutRecognizer 的__call__ 方法，这里是模型应用的工程代码部分，很多细节的小技巧，先上代码，里面加了一些注释：
def __call__(self, image_list, ocr_res, scale_factor=3,
thr=0.2, batch_size=16, drop=True):
# 可以过滤的垃圾数据
def __is_garbage(b):
patt = [r"^•+$", r"(版权归©|免责条款|地址[:：])", r"\.{3,}", "^[0-9]{1,2} / ?[0-9]{1,2}$",
r"^[0-9]{1,2} of [0-9]{1,2}$", "^http://[^ ]{12,}",
"(资料|数据)来源[:：]", "[0-9a-z._-]+@[a-z0-9-]+\\.[a-z]{2,3}",
"\\(cid *: *[0-9]+ *\\)"
]
return any([re.search(p, b["text"]) for p in patt])
# 调用父类的模型识别
layouts = super().__call__(image_list, thr, batch_size)
# save_results(image_list, layouts, self.labels, output_dir='output/', threshold=0.7)
assert len(image_list) == len(ocr_res)
# Tag layout type
boxes = []
assert len(image_list) == len(layouts)
garbages = {}
page_layout = []
for pn,