大量历史合同以纸质扫描件或图片形式沉淀在档案室与共享盘,人工录入主体、金额、期限等要素既慢又容易错。本文给出一条可复现的本地化流水线:先用 PaddleOCR 把扫描件转为结构化文字,再用本地大模型按 JSON Schema 抽取关键字段,全过程私有化部署,适合对保密要求高的律所与企业法务。
一、安装与 OCR 识别
PaddleOCR 对中文版面识别效果稳定,可本地运行。示例:
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('contract_scan.jpg', cls=True)
for line in result:
for box, (text, score) in line:
print(text, round(score, 3))二、本地大模型结构化抽取
把 OCR 得到的文本切块后传给本地大模型,要求其严格按字段返回 JSON。以下用 Ollama 本地服务做调用:
import requests, json
prompt = '从下面合同中抽取甲方、乙方、合同金额、生效日期、到期日期、违约责任,只返回 JSON。'
prompt += text
resp = requests.post('http://localhost:11434/api/generate',
json={'model': 'qwen2.5:7b', 'prompt': prompt, 'format': 'json', 'stream': False})
data = json.loads(resp.json()['response'])
print(data)三、字段校验与人工复核
类型校验:金额解析为数值、日期解析为标准格式,解析失败即标记人工处理,不静默通过。
一致性校验:抽取出的主体名称应与合同签章、落款比对,金额大小写不一致时提示复核。
留痕:每条抽取记录保留原始 OCR 文本与模型输出,便于追溯与纠偏。
保密是底线。合同含商业机密与客户信息,推荐全程本地部署、关闭任何外部接口;模型输出不得直接作为法律结论,关键条款仍须由具备资质的人员审核确认。
参考来源
PaddleOCR 官方文档与开源仓库 - PaddlePaddle GitHub
Ollama 本地大模型 API 文档(generate 与 JSON 格式约束) - Ollama 官方网站
《法律服务领域大模型部署应用指引》相关报道 - 上海市司法局相关发布