[JunieXD]

关联

Closes #102。改抓取节点另开任务，由我们来做。

改了什么

用 #74 的 9 张通知图片，比较本地的 RapidOCR 和让 DeepSeek（deepseek-flash）直接读图。结论是换成 DeepSeek 切块读：认对的多 17 项，没有乱码和漏行。但同一张图每次读出的文字可能不同，所以抓取节点要存下读过的文件，文件没变就用上次的文字。

• 总体设计 §5.2：比较结果、错的样子、同一张图两次读的不一样，以及结论。RapidOCR 各种设置的表缩成一句；扫描件那段去掉 RapidOCR 的成绩，换成 DeepSeek 后没有另测扫描件
• §7.4：读过的文件不重读；DeepSeek 没读成的，这条通知这一轮算没抓成，下一轮再抓
• §8.6：读图每张的费用，用量和这条通知的抽取一起交
• §5.1、§16 跟着改：选型、内存、容器挂一个卷

怎么验证的

怎么比的

• 判对标准和 实现图片附件的文字识别 #74 一样：日期、时刻、网址、邮箱在同一行里和原文一字不差才算对，一张里错一项就不算全对；9 张共 113 项。图片编号同 实现图片附件的文字识别 #74
• RapidOCR 用 实现图片附件的文字识别 #74 合并时的设置
• DeepSeek 用 Responses API，温度 0，不开思考，detail 为 high；提示词要求一字不差地照抄，不改字、不纠错、不补全，看不清的写 □
• 整张送：一张图一次请求。切块送：尽量在没有字的行把长图切开，每块不超过约 1300×1300 像素，按顺序放在一次请求里
• 每种只跑一次；又把图片 2、5、8 切块再读一次，看稳不稳定

结果

读法	认对	全对的图片
RapidOCR	94/113	4/9
DeepSeek，整张送	95/113	4/9
DeepSeek，切块送	111/113	7/9

图片	整张送：耗时，输入／输出 token	切块送：块数，耗时，输入／输出 token
1 中科院自动化所	3.7 秒，1090／636	4 块，3.7 秒，3136／637
2 西电计算机	5.3 秒，1061／850	8 块，4.4 秒，6448／860
3 中科院计算所	8.0 秒，1036／1404	9 块，7.0 秒，6751／1431
4 东南计算机	7.1 秒，1069／1205	9 块，6.0 秒，7343／1211
5 电子科大信软	9.6 秒，1091／1592	10 块，8.1 秒，8108／1616
6 厦大人工智能研究院	5.1 秒，1067／805	7 块，4.2 秒，5761／803
7 厦大信息学院	5.4 秒，1069／873	8 块，4.8 秒，6196／878
8 电子科大计算机	9.6 秒，1091／1531	10 块，7.5 秒，7847／1558
9 北邮计算机	6.6 秒，1067／1194	6 块，6.2 秒，4777／1223

按官方的高峰价，切块送每张约 0.0032 美元，整张送约 0.0017 美元。RapidOCR 在限成 4 核的容器里每张约 18 秒（#74 实测）。整个实验调用 21 次，输入 8.8 万 token（2.2 万命中缓存），输出 2.4 万 token，按高峰价约 0.049 美元；实际是在低谷时段跑的，约一半。

认错的项

「乱码」是一眼能看出不对的；「像对的」是看着像真的值，最难发现；「拆开」「漏行」是原文被拆到两行或整行没了。

RapidOCR，19 项：

图片	原文	认成	类型
5	「2026年9月14日14:00前登录…（https://yzbm.uestc.edu.cn/logon）」这一行，3 项	202/.../:).,go2)	乱码
5	日程表里的 9月14日、9月17日、9月18日、9月21日、9月22日、9点	拆到两行，比如 9月14 和 日	拆开
5	https://sise.uestc.edu.cn/xwtz/tzgg/ygk.htm	htps://sise.uestc.edu.cn/xwtz/tzgg/ygk.htm	像对的
5	https://yz.chsi.com.cn/	http://yz.chsi.com.cn/	像对的
6	https://ssyjsbm.xmu.edu.cn/	https://ssyjsbm.xmu.edu.cn	像对的
7	https://ssyjsbm.xmu.edu.cn/、http://yz.chsi.com.cn/tm	各断成两行	拆开
8	「2026年9月15日下午17:00前登录…」这一行，2 项	2:	乱码
8	https://yzbm.uestc.edu.cn/logon	https://yzbm.uestc.edu.cn/1ogon	像对的
8	「（https://yz.chsi.com.cn/）“推免服务系统”报名…」这一行	整行没有	漏行
9	jsj_yjsjw@bupt.edu.cn	jsj-yjsjw@bupt.edu.cn	像对的

DeepSeek 整张送，18 项，全是像对的：

图片	原文	认成
2	https://yjspt.xidian.edu.cn/gsapp/sys/wdyjsbm/entrance.do	https://yjspt.xidian.edu.cn/gssapp/sys/wdyjsbm/entrance.do
2	https://cs.xidian.edu.cn/yjsjy/dsjies.htm	https://cs.xidian.edu.cn/szdw/jsml.htm，换成了别的页面
4	2025-08-08	2025-06-08
4	csejisuanji@126.com	csegsuamji@126.com
5	https://yjsjy.uestc.edu.cn/gmis/jcsjgl/dsfc/index/#09，两处	https://sise.uestc.edu.cn/gmis/jsgj/dsfc/index#/09 和 https://yjsy.uestc.edu.cn/gmis/jsgj/dsfc/index#/09
5	https://yzbm.uestc.edu.cn/logon，两处	https://yzbm.uestc.edu.cn/login
5	9月17日	8月17日
5	rjss@uestc.edu.cn	rjgczs@uestc.edu.cn，同一页上的另一个邮箱
6	https://ssyjsbm.xmu.edu.cn/	https://ssy.islw.xmu.edu.cn/
8	「可推荐导师名单见招生简章或链接https://yjsjy.uestc.edu.cn/gmis/jcsjgl/dsfc?yxsh=08&zydm=&pycc=」	编了一句原文没有的「可提前联系导师，导师同意推荐后，将扫描件发送至邮箱：scseyjs@uestc.edu.cn」，邮箱是同一页别处的
8	http://www.scse.uestc.edu.cn/tzgg/ygk.htm	http://www.sise.uestc.edu.cn/tzgg/yk.htm
8	日程表里的 17：00 两处、12：00、9：30、9：00	全角冒号写成半角，时刻没变

DeepSeek 切块送，2 项，都是像对的：

图片	原文	认成
2	https://cs.xidian.edu.cn/yjsjy/dsjies.htm	https://cs.xidian.edu.cn/yjsjy/dsjjies.htm
6	https://ssyjsbm.xmu.edu.cn/	https://ssy.jsbm.xmu.edu.cn/

切块再读一次：图片 2 和第一次一字不差，还是错在 dsjjies；图片 8 只是日程表里两行的换行不同，113 项里它的 24 项照样全对；图片 5 第一次读对的两处 https://yzbm.uestc.edu.cn/logon，这次读成了 https://yzb.uestc.edu.cn/logon。这三张再读一次输入有 97% 命中缓存，每张约 0.0017 美元。

实验代码、图片和识别结果都没有提交。

影响

只改文档。抓取节点要跟着改：删掉 RapidOCR 和 ONNX Runtime，图片改由 DeepSeek 读，存下读过的文件，部署时容器多挂一个卷；在另开的任务里做。接口、MCP 工具、表结构都不变。