8.1 配置清单

在 application.yml（或配置中心）中配置：

pdf:
  baidu:
    ocr:
      api-key: 你的百度应用 API Key
      secret-key: 你的百度应用 Secret Key
      # token-url / doc-parse-task-url / doc-parse-query-url 一般用默认
      doc-parse-poll-interval-ms: 5000
      doc-parse-max-attempts: 40
      expire-buffer: 86400            # Token 提前 1 天刷新
  ai:
    api-key: "{id}.{secret}"          # 大模型 API Key
    model: glm-4-flash                # 性价比；要更准用 glm-4-plus
    base-url: https://open.bigmodel.cn/api/paas/v4/chat/completions
    temperature: 0.1
    stream: true
    use-file: false                   # true=文件抽取路径
    max-tokens: 16384                 # 大表防截断
    timeout: 300000                   # 单次调用超时 5 分钟
    concurrency: 4                    # 并行线程数
    chunk-page-size: 2
    chunk-char-threshold: 2147483647  # 默认不分块
    poll-interval-ms: 8000            # 异步结果轮询间隔
    pdf-save-dir:  D:/files/ai-split
    data-json-dir: D:/files/ai-json
    ocr-json-dir:  D:/files/ocr-json
    schema-path:                      # 外部字段定义文件(可选，优先于内置)
    split-headings:                   # 除了按照表号外 按照标题也分割
      - 补充说明
      - 附录信息

8.2 运维要点

• Redis 必须可用：Access Token 缓存依赖 RedisCache。
• @Scheduled 必须开启：启动类加 @EnableScheduling，否则异步抽取结果永远停在「抽取中」。
• 落盘目录需有写权限：生产建议挂持久卷；pdf-save-dir / data-json-dir / ocr-json-dir 三处。
• 超时联动：百度大文件解析慢，doc-parse-max-attempts × interval 决定最长等待；大模型长输出时 timeout 与 max-tokens 要同步放大。
• 字段定义可热调：把 schema-path 指到外部文件，改字段不必重启/重打包。

8.3 实操：如何新增一张表的抽取

抽取与还原（第 3、5、6 章）是通用的，新增一张表通常只动下面五处：

1. 加字段定义：table-schema.json 增加以「表标题」为 key 的 example（或 fields），决定 AI 输出结构。
2. 建业务 VO + 库表：domain/ 写 XxxImportVo，resources/sql/ 加建表脚本，mapper/ + resources/mapper/ 加 Mapper。
3. 写装配器：convert/ 新增 XxxImportAssembler.assemble(dataJson)，解包 rootKey、归并明细、字段别名兜底，输出 VO。
4. 加导入方法：IImportService / ImportServiceImpl 增加 importXxx(vo) 落库。
5. 接分派：ExtractionRecordServiceImpl.importToLibrary 的表号 switch 接上新装配器与导入方法。

验证：上传含该表的 PDF → ocr-parse（百度 OCR 识别成 JSON）→ 调AI → 看 data_json → importToLibrary。

8.4 常见问题与排错

8.5 全系列回顾

核心立场：没有银弹。模型、OCR、技术栈都可替换，真正沉淀下来的是这套「切分 → 提示 → 抽取 → 装配」的处理范式。

替换方案与测试方式

经过测试可替换的方案有 paddleocr 开源模型 + DeepSeek模型组合

1、paddleocr 识别pdf文件输出json

2、将json与关键词发送给deepseek模型

3、输出结果