财报表格识别Excel / JSON

我独立完成了全流程：PDF 解析与页图渲染、版面分析、表格结构与文字还原、多后端抽象与降级、Excel 导出、Web 服务与资源保护，以及评测脚本。

技术栈：Python / PyMuPDF / OpenCV / PaddleOCR-VL（vLLM 部署）/ ONNX Runtime / openpyxl / 标准库 HTTP 服务。

亮点：① 双后端解耦：legacy（UNet 线分割 + LORE，纯 CPU）与 paddleocr_vl（GPU）共用同一套版面、后处理和导出代码，切换只改 config.yaml 一个字段，单表失败自动降级，调用方无感知；② 换模型不是凭感觉，我用「10 张年报页、653 个数字，与 PDF 文字层逐字比对」做评测，数字召回 72.4% → 97.7%、精确 62.8% → 100%，才决定默认后端；③ 单页峰值内存从 4.15GB 压到 1.51GB：定位到 onnxruntime 默认 arena 按 2 的幂预占且不归还，改为关 arena、关 memory pattern、4 线程，耗时不变；实测 30 并发下成功 5、限流 25、0 个 500，进程 pid 不变、内存不累积；④ 上传走流式解析，不把整份文件读进内存，页与页之间做内存预算，超预算只中止当前这一单。

难点：中文财报的表格混合了有线和无线（三线表）两种形态，线检测在无线表上直接失效，只能走结构识别；而两级表头的合并关系一旦还原错，整张表的语义就全错了，所以合并关系（rowspan/colspan）是验收的第一指标，比文字准确率更靠前。