OCRPolish：专为LLM优化的OCR后处理与元数据提取工具包

OCRPolish是一款Python编写的OCR后处理工具包，专为LLM处理后的OCR输出优化。核心功能包括清洗格式混乱的OCR文本、通过本地LLM提取元数据、生成Obsidian索引页面等。其设计目标是将原始OCR输出升级为结构化知识库，特别适合Obsidian用户、研究人员及档案数字化场景，填补了OCR输出与可用知识之间的鸿沟。

传统OCR输出存在格式混乱（页眉页脚残留、换行错误）、段落断裂、元数据缺失、实体识别困难等问题。尽管LLM普及后用户常用其处理OCR文本，但通用LLM提示工程无法充分利用文档结构化特征，因此OCRPolish针对这一场景设计，解决上述痛点。

OCRPolish的核心功能包括：

1. 三层标签系统：概念层（核心主题）、实体层（州/地区/组织等）、主题层（NATO分类法层级标签），支持多维度索引。
2. Obsidian导出：生成含YAML前置元数据（标题、摘要、日期等）和摘要高亮块的Markdown文件，适配Obsidian图谱视图与反向链接。
3. 三大命令：clean（清洗文本）、metadata（提取元数据）、index（生成索引）。

元数据提取依赖本地LLM（默认Gemma4:31b via Ollama），步骤如下：

1. 加载预定义NATO主题分类法（--hierarchy-file）；
2. 通过标签白名单过滤（--tags-file）；
3. 自动识别实体并层级标注；
4. 提取扁平化规范概念关键词。 结果兼具机器可读性（YAML）与人类可读性（Obsidian标签/链接）。

适用场景：

• 学术研究：处理扫描论文构建可搜索知识库；
• 档案数字化：历史文档转结构化档案；
• 情报分析：文档主题分类与实体提取；
• Obsidian用户：无缝集成OCR输出到工作流。 开发质量：使用ruff、mypy、pytest确保代码质量与类型安全。

特点：

• Obsidian优化输出结构；
• 本地LLM驱动，无需API密钥；
• 三层标签系统支持多维度索引；
• 完整PDF镜像与链接生成。 局限：
• 依赖Ollama本地运行，需足够硬件资源；
• 默认Gemma4:31b对显存有要求；
• 主题层级与标签需用户预定义。

OCRPolish并非通用OCR工具，而是OCR→LLM→知识库工作流的专用优化工具。它为Obsidian用户和研究人员提供零API成本、完全私有的文档处理方案，将原始OCR输出转化为结构化、可搜索、可关联的知识库，填补了OCR输出与可用知识之间的鸿沟。