# 安装基础组件
pip install PyQt6 
pip install PyQt6-WebEngine 
pip install PyQt6-Frameless-Window 
pip install PyQt6-Fluent-Widgets -i https://pypi.org/simple/

# 安装 paddleocr
pip install paddleocr

# 安装 paddlepaddle (这里为了避免性能要求高，所以采用CPU 版本) 
# 另外还有性能更好的 GPU 版本 -> https://www.paddlepaddle.org.cn/install/quick
python -m pip install paddlepaddle==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# 安装 PyMuPDF 用于处理 PDF
pip install PyMuPDF

python -m pip uninstall paddlepaddle

nvidia-smi

python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

import os
import fitz  # PyMuPDF
from paddleocr import PaddleOCR
import time
from datetime import datetime
from prettytable import PrettyTable
import csv
import traceback
import logging
import json

# 配置日志
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler("ocr_service.log"),
        logging.StreamHandler()
    ]
)
logger = logging.getLogger("OCR_Service")

def ocr_pdf_pages(pdf_path: str, page_numbers: list[int], output_dir: str = None):
    """
    使用 PaddleOCR 对 PDF 文件的指定页面进行 OCR，并将结构化结果统一导出到 CSV。

    Args:
        pdf_path (str): PDF 文件的路径。
        page_numbers (list[int]): 需要读取的页码列表 (例如 [1, 3, 5])。
        output_dir (str, optional): 输出结果的目录。如果指定，将保存图片、JSON 和汇总的 CSV 文件。
    """
    start_time = time.time()
    start_datetime = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    logger.info(f"开始处理时间: {start_datetime}")

    if not os.path.exists(pdf_path):
        logger.error(f"错误：找不到 PDF 文件 '{pdf_path}'")
        return

    # 初始化 PaddleOCR 引擎
    logger.info("正在初始化 PaddleOCR 引擎，这可能需要一些时间...")
    ocr_start_time = time.time()

    ocr = PaddleOCR(
        # --- 核心功能与模型设置 ---
        lang="ch",                      # 1. 语言：指定为中文模型（'ch' 支持中英文和数字）
        ocr_version="PP-OCRv5",         # 2. 模型版本：使用先进的PP-OCRv5
        use_angle_cls=False,             # 3. 方向矫正：自动检测文字方向并旋转图片

        # device="gpu:0",               # (新版推荐) 这是更现代的写法，指定使用0号GPU
        use_tensorrt=False,              # 5. TensorRT加速：在NVIDIA GPU上获得极致性能 (需提前安装TensorRT)
        precision='fp16',               # 6. 精度：使用半精度(fp16)，速度更快，显存占用更低 (需要GPU支持)
        
        # --- 性能与设备优化 (CPU用户) ---
        enable_mkldnn=True,             # 7. MKLDNN加速：若在CPU上运行，此选项可提升Intel CPU的性能
        cpu_threads=6,                  # 8. CPU线程数：在CPU模式下运行时使用的核心数

        # --- 效果微调 ---
        text_rec_score_thresh=0.5,      # 9. 识别阈值：只返回置信度高于 0.5 的识别结果，过滤掉模糊的猜测
    )
    ocr_end_time = time.time()
    logger.info(f"引擎初始化完成。耗时: {ocr_end_time - ocr_start_time:.2f} 秒")

    # 如果指定了输出目录，确保它存在
    if output_dir:
        os.makedirs(output_dir, exist_ok=True)

    # 初始化列表以保存所有页面的数据，用于最后统一导出
    all_csv_rows = []
    csv_header = ['page', 'text', 'score', 'x_min', 'y_min', 'x_max', 'y_max']

    try:
        # 打开 PDF 文件
        doc = fitz.open(pdf_path)

        # 遍历指定的页码
        for page_num in page_numbers:
            page_start_time = time.time()
            # 验证页码是否在有效范围内 (fitz 从 0 开始索引, 用户输入从 1 开始)
            if not (1 

def predict(
    self,
    # 待识别的图片，可以是路径、URL或图片数据
    input,
    # 是否自动旋转图片方向
    use_doc_orientation_classify=None,
    # 是否自动校正弯曲图片
    use_doc_unwarping=None,
    # 是否自动判断文本行方向
    use_textline_orientation=None,
    
    # 临时修改文本检测模型的最长边限制
    text_det_limit_side_len=None,
    # 临时修改文本检测的最长边限制类型
    text_det_limit_type=None,
    # 临时修改文本检测的二值化阈值
    text_det_thresh=None,
    # 临时修改文本检测的检测框得分阈值
    text_det_box_thresh=None,
    # 临时修改文本检测的文本框扩大比例
    text_det_unclip_ratio=None,
    # 临时修改文本识别的置信度阈值
    text_rec_score_thresh=None,
    
    # 结果保存格式 (txt, json, pdf, pdf_searchable)
    save_format=None,
    # 结果保存路径
    save_path=None,
    # 结果可视化或生成PDF时使用的字体路径
    font_path=None,
):
    # ... 函数的具体实现逻辑 ...
    pass