# Stage 2. Исследование возможностей PaddleOCR + Docling

## Цель исследования

Перед началом реализации второго этапа проекта необходимо изучить возможности современных версий PaddleOCR и Docling.

Цель исследования — максимально использовать готовые возможности библиотек и не реализовывать функциональность, которая уже существует.

По итогам исследования необходимо подготовить краткий технический отчёт и рекомендации по архитектуре второго этапа.

---

# Необходимо исследовать

## 1. Совместимость PaddleOCR и Docling

Необходимо определить:

- может ли Docling использовать PaddleOCR как OCR backend;
- какие версии библиотек совместимы между собой;
- существуют ли официально поддерживаемые способы интеграции.

---

## 2. Форматы экспорта

Необходимо определить, какие форматы умеет генерировать Docling.

Для каждого формата необходимо указать:

- поддерживается ли официально;
- степень сохранения структуры документа;
- пригодность для последующего анализа LLM.

Минимально исследовать:

- HTML
- Markdown
- JSON
- DocTags
- Plain Text

---

## 3. Качество HTML

Определить:

- насколько полно сохраняется структура документа;
- сохраняются ли таблицы;
- сохраняются ли объединённые ячейки;
- сохраняются ли изображения;
- сохраняются ли подписи рисунков;
- сохраняются ли заголовки;
- сохраняются ли списки.

Приложить небольшой пример HTML.

---

## 4. Таблицы

Исследовать:

- качество восстановления таблиц;
- поддержку rowspan;
- поддержку colspan;
- возможность восстановления сложных таблиц.

При наличии ограничений подробно их описать.

---

## 5. Формулы

Определить:

- распознаёт ли Docling математические формулы;
- сохраняются ли формулы как текст;
- сохраняются ли как изображения;
- поддерживается ли MathML;
- поддерживается ли LaTeX.

При наличии ограничений описать их.

---

## 6. OCR Confidence

Определить:

- предоставляет ли PaddleOCR confidence;
- может ли Docling сохранить confidence;
- можно ли передать confidence в HTML;
- можно ли использовать confidence для последующей подсветки сомнительных мест.

---

## 7. Координаты элементов

Определить:

можно ли получить координаты:

- страниц;
- абзацев;
- таблиц;
- строк;
- отдельных слов.

---

## 8. Производительность

Для документов объёмом около 150 страниц определить:

- примерное время обработки;
- объём используемой памяти;
- возможность пакетной обработки.

---

## 9. Работа полностью offline

Подтвердить, что:

- PaddleOCR работает полностью offline;
- Docling работает полностью offline;
- отсутствуют обращения к облачным сервисам.

---

## 10. Возможность ручной корректировки

Определить:

Можно ли после генерации HTML:

- открыть его в браузере;
- открыть в Microsoft Word;
- открыть в LibreOffice Writer;
- исправить ошибки OCR;
- сохранить обратно без существенной потери структуры.

---

## 11. Минимальный пример

Подготовить минимальный рабочий пример.

Pipeline должен выглядеть следующим образом:

```
JPEG страницы

↓

PaddleOCR

↓

Docling

↓

HTML
```

Необходимо показать:

- пример входного изображения;
- пример кода;
- пример полученного HTML.

---

# Что НЕ требуется

На данном этапе не требуется:

- писать production-код;
- проектировать архитектуру проекта;
- реализовывать CLI;
- реализовывать HTML-генератор;
- реализовывать OCR самостоятельно.

---

# Результат исследования

По окончании исследования необходимо подготовить документ:

```
STAGE2_RESEARCH_RESULT.md
```

Документ должен содержать:

1. Краткое описание возможностей PaddleOCR.
2. Краткое описание возможностей Docling.
3. Выявленные ограничения.
4. Рекомендуемую архитектуру второго этапа.
5. Минимальный рабочий пример интеграции.
6. Перечень функций, которые уже реализованы библиотеками и не требуют собственной разработки.
7. Перечень функций, которые придётся реализовать самостоятельно.
8. Итоговую рекомендацию по реализации второго этапа проекта.

Главная цель исследования — минимизировать объём собственного кода за счёт максимально полного использования возможностей PaddleOCR и Docling.