dsh-baidu-ocr

Name: dsh-baidu-ocr
Availability: InStock
Author: pipiwolve

Baidu cloud OCR bundle for DeepSeek Harness: drag images/PDFs in, OCR to Markdown with PaddleOCR-VL or Unlimited-OCR. 百度云 OCR 插件：拖入图片/PDF 识别为 Markdown 并写入本地文件。

Stars: 0
Language: JavaScript
Created: Aug 25, 2026
Updated: Aug 26, 2026

Web UI Vision

GitHub repo

Introduction

dsh-baidu-ocr

百度云 OCR 的 DeepSeek Harness Web 插件（bundle）。把图片 / PDF / 办公文档拖进页面，用百度云 OCR 识别为 Markdown，并把结果写成本地文件。

PaddleOCR-VL（同步）：千帆平台 qianfan.baidubce.com 的通用文字识别，返回 markdown.text，支持版面分析、图表识别、方向/畸变矫正。
Unlimited-OCR（异步）：aip.baidubce.com 的文档解析，公式 LaTeX、表格 HTML、多栏版面智能合并。

一句话：一个 key、两个引擎、拖入即识别、结果落盘、既能 GUI 也能当模型工具用。

它是什么

这是一个符合 DeepSeek Harness bundle 规范的插件包，安装后同时提供：

界面	形态	说明
拖入面板	浏览器右下角浮窗	拖入文件 → 自动解析真实本地路径 → 选引擎 → 识别 → 结果卡片预览
模型工具	`baidu_ocr` 工具	对话里直接 `用 baidu_ocr 识别 /path/to/img.png`，Agent 可自动调用
设置卡片	设置 → 插件 → 百度 OCR	在 GUI 里填写 API key（不回显、不落日志）

它解决的核心痛点：浏览器无法把「拖进来的文件」直接交给本地 OCR 引擎——浏览器只给你 File 对象（没有真实路径），而 DSH 的工具需要真实路径来读文件。本插件在 Host 端读真实路径、调 API、写结果文件，在 Client 端把拖入的文件解析回真实路径。

为什么这样设计

这是经过验证后收敛出来的架构，几个关键取舍：

零 @deepseek-ai 依赖：社区 bundle 会被 dsh plugin add 装进 profile 的 node_modules，那里没有 DSH 内部包。因此 host 只用 Node 内置（node:fs/node:path + 原生 fetch），client 端拖入面板用纯 DOM（不 import React），只有设置卡片用 platform seed 里的 react。
原生 fetch 而非 Python：bundle 的 host 运行在真实 Node 进程里（不同于动态插件的受限沙箱），可以直接 fetch 调百度 API。相比早期的 Python 脚本方案，零外部依赖、更可分发。
Client ↔ Host 走 HTTP 路由（而非动态插件的 host.call）：bundle 没有动态插件那种「Package 私有 RPC」，标准做法是 host 注册 webServer 路由、client fetch 调用。这是 dsh-drag-and-drop / modlens 等社区 bundle 的同一模式。
key 永不回传浏览器：设置页只读到 hasKey 布尔值，真值只存在于 ${DSH_HOME:-~/.dsh}/baidu-ocr.json（0600 权限），提交时留空 = 保留原值。参照 modlens 的安全模型。

架构

┌─────────────────────────────────────────────────────────────────┐
│  Host (lib/index.js, Node 进程, inject: [tools, webServer])      │
│                                                                 │
│  baidu_ocr 工具 ──┐                                             │
│                   ├─ resolveKey(ctx)  ── 设置文件 > credentials > env
│                   │                                             │
│  /baidu-ocr/run ──┼─ runOcr(path, engine, key)                  │
│  (client 面板用)  │    ├─ paddleocr()   → qianfan 同步 POST       │
│                   │    └─ unlimited()   → aip 提交→轮询→下载      │
│                   │    └─ writeResults() → ocr_output/*.md/.json  │
│                   │                                             │
│  /baidu-ocr/config ─ writeSettingsFile() → ${DSH_HOME:-~/.dsh}/baidu-ocr.json │
│  (设置页用)         readSettingsFile() → { hasKey } (不回显 key)   │
└─────────────────────────────────────────────────────────────────┘
                              │ HTTP (同源 fetch)
┌─────────────────────────────────────────────────────────────────┐
│  Client (lib/client.js, window.__ModuleLoader__)                 │
│                                                                 │
│  拖入面板（纯 DOM）:                                              │
│    drag/drop → 解析 file:// URI → 真实路径 chip → 选引擎          │
│    → POST /baidu-ocr/run → 结果卡片 (markdown 预览 + 文件路径)     │
│    · 可拖动 / 可收起 / FAB 跟随 composer 上方（不挡发送按钮）        │
│                                                                 │
│  设置卡片（React, settings.plugin.item）:                         │
│    GET /baidu-ocr/config → hasKey 状态                           │
│    POST → 写 key（留空 = 保留）                                   │
└─────────────────────────────────────────────────────────────────┘

能力一览

双引擎

引擎	接口	模式	适用	输出
`paddleocr`	`qianfan.baidubce.com/v2/ocr/paddleocr`	同步	图片、PDF 通用识别	`markdown.text`
`unlimited`	`aip.baidubce.com/.../unlimited-ocr-parser`	异步（提交→轮询→下载）	文档解析、公式、表格、多栏	`markdown_url` 内容

引擎选择：

auto（默认）：按扩展名自动选 —— 图片（jpg/png/bmp/tif…）→ paddleocr；办公文档/PDF（pdf/ofd/doc/docx/ppt/pptx…）→ unlimited；
也可在面板下拉框或工具参数里显式指定。

支持格式

类型	扩展名
图片	`.jpg .jpeg .png .bmp .tif .tiff`
版式文档	`.pdf .ofd`
流式文档	`.doc .docx .txt .wps .ppt .pptx`

安装

dsh plugin --profile web add <本仓库路径或 git url>

dsh plugin 是 pnpm 转发器：它把包加进 profile 的依赖，然后扫描声明了 dsh.bundle.patch 的包，自动 reconcile 进 dsh.profile.bundles 层栈。无需手改 config。

然后重启 Web UI 并刷新浏览器：

dsh web --host 127.0.0.1 --port 3080 --no-open

注意：请用与当前运行实例同一个 dsh 二进制重启（如果你机器上有多个 dsh 版本，旧版可能不认 --no-open）。

安装后：

Host 注册 baidu_ocr 工具 + /baidu-ocr/run + /baidu-ocr/config 路由；
Client 注册右下角拖入面板 + 设置页「百度 OCR」卡片；
3080 直连与 5173 皮肤壳（iframe 代理 /plugins）都会自动加载，无需手动配置。

配置 API Key

三种来源，优先级从高到低：

设置页（推荐）：设置 → 插件 → 百度 OCR，填 key 保存 → 写入 ${DSH_HOME:-~/.dsh}/baidu-ocr.json；
credentials 服务：ctx.get('credentials').resolve('BAIDU_OCR_KEY')；
环境变量：export BAIDU_OCR_KEY="bce-v3/ALTAK-.../..."。

key 格式为百度 BCE IAM API Key（bce-v3/ALTAK-.../...），对两个引擎的 Bearer 鉴权都有效。

获取：https://console.bce.baidu.com/iam/#/iam/accesslist

使用

方式一：拖入

从 Finder（或文件管理器）拖文件到页面任意位置，全屏出现「松开以添加文件到 OCR」提示；
右下角「百度 OCR」面板弹出，文件变成可删除的 chip（hover 显示完整路径）；
选引擎（自动 / PaddleOCR-VL / Unlimited-OCR），点「识别 N 个文件」；
结果卡片显示 markdown 预览 + 结果文件路径，.md/.json 落到源文件旁。

面板可拖动标题栏移动、收起成 OCR 圆钮（悬浮在输入框上方，不挡发送按钮）、支持粘贴绝对路径手动添加。

方式二：模型工具

在对话里直接说：

用 baidu_ocr 识别 /absolute/path/to/image.png

工具返回预览 + 文件路径；要拿完整文本，再让 Agent 用 read 读 markdownFile。

输出

每个文件在 <源目录>/ocr_output/ 下产出两个文件：

<文件名>.md — Markdown 识别结果（含公式 LaTeX、表格 HTML）；
<文件名>.json — 元数据：

{
  "engine": "paddleocr",
  "source": "/abs/path/to/image.png",
  "markdownFile": "/abs/path/to/ocr_output/image.md",
  "charCount": 1234,
  "requestId": "as-xxx",
  "generatedAt": "2026-08-24T08:00:00.000Z"
}

目录结构

dsh-baidu-ocr/
├── package.json          # dsh.bundle.patch + dsh.client 声明、exports、files
├── cordis.patch.yml      # insert 插件行的 bundle patch
├── lib/
│   ├── index.js          # host：baidu_ocr 工具 + /run + /config + 双引擎（原生 fetch，零依赖）
│   └── client.js         # client：拖入面板（纯 DOM）+ 设置卡片（React）
├── test/
│   └── index.test.js     # fence / 路径校验等纯逻辑的单元测试（node --test）
├── .github/workflows/ci.yml  # CI：语法检查 + 单元测试
└── README.md

安全

key 不回显、不落日志：设置页只拿到 hasKey 布尔值；真值存 ${DSH_HOME:-~/.dsh}/baidu-ocr.json（0600 权限），会话日志里不出现。
跨站写防护（CSRF fence）：/baidu-ocr/config 与 /baidu-ocr/run 复刻 DSH 自身 /api 的信任模型——副作用请求只接受 application/json 的 POST，并校验 Origin 与请求 Host 同源；恶意网页的跨站请求会被强制进入本服务永不应答的 CORS preflight。只读的 GET 也做 Origin 校验。
OCR 目标路径校验：/run 只接受绝对路径、扩展名在白名单（图片 / PDF / 办公文档）、且确认为普通文件的目标，防止任意本地文件被上传到百度云（路径遍历 / 数据外带加固）。unlimited 引擎的结果下载只允许 https:// 的 markdown_url。
结果文件写源目录：.md/.json 写到源文件旁的 ocr_output/，可预期、可追溯。
零依赖：host 只用 Node 内置，client 拖入面板纯 DOM，攻击面最小。

安全模型参照：DSH 的 /api 代理在 dsh-host-apiproxy 中以「仅接受 application/json」实现跨站写 fence；bundle 路由注册在 webServer（loopback），浏览器与 host 同源。

开发与调试

验证 host 逻辑

# 起临时实例（独立端口，不打扰正式 3080）
node /path/to/dsh/lib/bin.js web --host 127.0.0.1 --port 3090 --no-open

# 探测 config 路由（GET 不回显 key，POST 写 key）
curl http://127.0.0.1:3090/baidu-ocr/config
curl -X POST http://127.0.0.1:3090/baidu-ocr/config \
  -H "content-type: application/json" -d '{"apiKey":"bce-v3/..."}'

# 跑一次 OCR
curl -X POST http://127.0.0.1:3090/baidu-ocr/run \
  -H "content-type: application/json" -d '{"path":"/tmp/test.png","engine":"auto"}'

改 client 后生效

有 pnpm run dev:web（HMR watcher）：client 改动热更新；
无 watcher：改 lib/client.js 后，serveBundle 实时读磁盘，浏览器硬刷新（Cmd+Shift+R）即可；若要 rev 缓存键也更新，重启 dsh web。

语法校验

node --check lib/index.js
node --check lib/client.js

单元测试

npm test

覆盖 host 侧的 CSRF fence 与目标路径校验等纯逻辑（test/index.test.js）。CI（.github/workflows/ci.yml）在每次 push 自动运行语法检查与测试。

FAQ

Q：为什么拖入能拿到真实路径？ A：浏览器对拖入文件只暴露 File 对象，但文件管理器会带 text/uri-list（file:// URI）。client 端解析这些 URI 还原成本地绝对路径（POSIX / Windows 盘符 / UNC），再交给 host 读文件。这复用了 dsh-drag-and-drop 的定位思路。

Q：两个引擎的 key 一样吗？ A：是。同一个 BCE IAM API Key（bce-v3/ALTAK-...）对 PaddleOCR-VL（千帆 Bearer）和 Unlimited-OCR（aip Bearer）都有效，一个 key 通吃。

Q：结果能直接「拖出」到任意文件夹吗？ A：浏览器标准不支持「拖出写文件」，但 DSH 是本地 Web UI，host 直接写本地文件更可靠——结果落在源文件旁 ocr_output/，会话里展示预览 + 路径。

Q：为什么 5173 皮肤壳也能看到？ A：皮肤壳是 <iframe> 代理 /plugins、/api 到 3080，bundle 的 client 走静态路由 /plugins/dsh-baidu-ocr/client.js，两个视图都代理到了，无需重复配置。

路线图

批量目录识别 + 并发限流（QPS 控制）
结果文件路径做成可再拖入的 chip
更多引擎（PP-OCRv6 通用文字识别）
打包成 npm 包发布（当前为本地 link: 安装）

License

MIT