图文取字 yuehancn/dsh-tool-ocr

dsh-tool-ocr

在 dsh 里直接读图取字 —— 把截图、扫描件、发票、合同 PDF 丢给智能体，它自己判断有没有文字层，没有就调你配置的 OCR 引擎，最后把正文交回来。

给 DeepSeek Harness 用的自建工具插件：图片 OCR + PDF 文本抽取。

Compatibility: built and tested against dsh 0.2.0-rc.2 (preview).
The apply(ctx) plugin spec is stable; verify against your own dsh version if newer.

一行安装

dsh plugin --profile desktop add github:yuehancn/dsh-tool-ocr

支持的配置档：desktop（桌面版）/ web（Web 版）。装完重启 dsh 即可用。

它解决什么问题

智能体能读文本文件，但读不了图里的字。你发给它一张发票截图、一份扫描合同、一个手机拍的表格，它只能猜。这个插件补上这一段：

| 输入 | 插件怎么处理 |
| 带文字层的 PDF（电子合同、导出的报告） | 直接读文字层，不调 OCR，快且准 |
| 扫描件 / 图片型 PDF | 检测到文字层为空 → 自动栅格化 → 调 OCR 引擎 |
| 图片（截图、照片、表格） | 直接交给 OCR 引擎 |

关键点：（1）它会先判断是不是电子版，不会把电子 PDF 白跑一遍 OCR； （2）引擎是你自己配的，tesseract / PaddleOCR / 公司内部 API 客户端都能接。

两个工具

ocr_read

ocr_read(path, engine?, lang?, pages?, saveAs?)

- path —— 图片或 PDF 的绝对路径
- engine —— 用哪个 OCR 引擎；不填走默认
- lang —— 语言提示，如 chi_sim+eng
- pages —— PDF 页码范围，如 1-3 或 2,5
- saveAs —— 把抽出的文字另存到输出目录

返回：text（正文）+ kind（image / pdf）+ engine（实际用的引擎）
+ pages + textPath + note（走了哪条路径、有什么提醒）。

note 是有意暴露给你的：智能体能据此判断「这次结果可不可信」，而不是把一堆字照单全收。

ocr_status

报告本机哪些引擎真能用（逐个探 --version），以及当前后端是什么。
动手 OCR 之前先问一句，能避免白跑一次几秒到几十秒的任务。

配置引擎

默认 backend: native —— 只用 poppler 读 PDF 文字层，不需要装任何 OCR。

要读扫描件，改成 command 并在 engines 里加一个：

~/.dsh/profiles/<profile>/cordis.patch.yml
- id: tool-ocr
config:
backend: command
outputDir: C:/Users/you/Documents/ocr-output
engines:
- id: tesseract
label: Tesseract 中英混排 command: tesseract
args: ["{input}", "{output}", "-l", "chi_sim+eng"]
isDefault: true

参数占位符（在 args 里可用）：

| 占位符 | 展开成 |
| {input} | 交给引擎的图片绝对路径 |
| {output} | 引擎应写入纯文本的绝对路径 |
| {lang} | 本次调用的 lang 参数（可为空） |

引擎把文字写进 {output} 或打到 stdout 都行 —— 两种都被识别。

再配一个引擎（比如表格走 PaddleOCR、正文走 tesseract）就是再加一个条目：

engines:
- id: tesseract
command: tesseract
args: ["{input}", "{output}", "-l", "chi_sim+eng"]
isDefault: true
- id: paddle
label: PaddleOCR（表格/版面更好） command: python
args: ["-m", "paddleocr", "--image_dir", "{input}", "--use_angle_cls", "true"]

依赖

插件本体只在 Node 里跑，不装任何 Python 包。外部依赖按需：

| 依赖 | 用途 | 不装会怎样 |
| pdftotext（poppler） | 读 PDF 文字层 | 电子 PDF 也读不了，note 会告诉你 |
| pdftoppm（poppler） | 把 PDF 页栅格化成图 | 扫描 PDF 无法 OCR |
| 任一 OCR 引擎 | 识别图里的字 | 图片输入直接报错，提示你配置 |

Windows 装 poppler：下载 poppler-windows 解压，把 bin 加进 PATH，或直接把 pdftotext.exe 的完整路径写进 config 的 command。
Windows 装 tesseract：用 UB-Mannheim 的安装包，记得勾中文语言包（chi_sim），否则 -l chi_sim 会报缺 traineddata。

安全说明

- 插件只读你给的那个文件，不扫目录、不上传、不联网。
- OCR 引擎是你配置的本地命令，插件用 spawn 直接调用，不经 shell 拼接 —— 路径里的空格、引号、中文都不会出问题。
- 抽取的文字写到 outputDir，仅此一处写盘。

跑测试

三个套件，85 条断言，全部针对真实的 dsh 运行时跑（不是 mock 掉 defineTool）：
1) 把 dsh 的依赖链放进 node_modules（复用本机已装的 profile）
PROFILE=~/.dsh/profiles/desktop/node_modules/@deepseek-ai
mkdir -p node_modules/@deepseek-ai
cp -r "$PROFILE/." node_modules/@deepseek-ai/

2) 跑全部
node _test/run-all.mjs

| 套件 | 覆盖什么 |
| test-logic.mjs | 页码解析、类型判定、参数模板、引擎选择、Config 默认值 |
| test-integration.mjs | 插件加载、工具注册、开关生效、输出 schema、错误路径 |
| test-e2e.mjs | 真跑子进程：调一个模拟引擎，验证抽取、存盘、选引擎、失败透传 |

test-e2e.mjs 用 _test/fixtures/mock-ocr.mjs 冒充 tesseract，遵守同样的 {input} {output} 约定 —— 所以除了识别模型本身， spawn、参数替换、读结果、错误处理全都真跑过。

许可

MIT