百度Unlimited-OCR部署指南：长文档解析模型本地化实践-平芜编程栈

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

这次我们来看一个百度开源的 OCR 项目：Unlimited-OCR。它不是一个简单的文字识别工具，而是一个专门为处理长文档设计的端到端解析模型。简单来说，它能一次性解析整本书、一份几十页的报告，或者一个图文混排的复杂 PDF，而不用你手动切分页面。对于经常需要处理扫描件、电子书、合同或论文的朋友来说，这直接解决了“文档太长，OCR 工具卡死或内存溢出”的核心痛点。

这个项目的核心亮点在于其“Unlimited”的设计思路。它基于 DeepSeek OCR 改进，总参数量 3B，但通过创新的“Reference Sliding Window”（参考滑动窗口）机制，实际激活的参数量只有 570M。这意味着它在处理超长文档时，对显存和内存的压力远小于传统方法。你可以把它理解为一个拥有“长时记忆”的 OCR 模型，在滑动窗口处理当前页时，能参考前面页面的上下文信息，从而保持整篇文档格式、样式和排版的连贯性。

本文不会只停留在概念介绍。我们将重点关注它的实际部署和验证：从环境准备、模型下载，到启动本地服务，再到用不同类型的文档（单页图片、多页 PDF、图文混排文档）进行效果测试。我们会观察它的资源占用情况，并探讨如何通过 API 将其集成到你的自动化工作流中。如果你关心本地部署的可行性、显存占用、批量处理能力以及接口调用的稳定性，那么这篇文章可以直接收藏备用。

1. 核心能力速览

在深入部署细节前，我们先通过一个表格快速了解 Unlimited-OCR 的核心规格和特点，这能帮你快速判断它是否适合你的需求。

能力项	说明
项目类型	端到端文档解析与 OCR 模型
开源团队	百度
模型基础	基于 DeepSeek OCR 改进
核心创新	Reference Sliding Window (参考滑动窗口) 机制
参数量	总参数量 3B，激活参数量约 570M
主要功能	长文档（如书籍、报告、PDF）一次性文字识别、版面分析、结构化输出
输出格式	支持文本、带格式的文本（如 Markdown）、结构化 JSON 等
硬件门槛	支持 GPU（CUDA）加速，也支持 CPU 推理（速度较慢）
显存占用	由于激活参数少，长文档处理对显存要求相对友好，但需以实际测试为准
支持平台	Linux, Windows (需配置 Python 环境)
启动方式	主要通过 Python 脚本启动服务或直接调用
接口能力	提供 HTTP API 服务，便于集成
批量任务	支持目录批量处理，适合自动化流水线
适合场景	本地化文档数字化、图书馆档案处理、企业合同批量解析、研究论文信息抽取

从表格可以看出，它的定位非常明确：长文档、端到端、低显存压力。这使其区别于传统的单页 OCR 工具（如 PaddleOCR、Tesseract），更适合处理书籍、手册、扫描报告等连贯性强的材料。

2. 适用场景与使用边界

在投入时间部署之前，明确工具的边界能避免后续的失望。Unlimited-OCR 并非万能，它在特定场景下表现突出，但在另一些场景下可能并非最佳选择。

最适合它的场景：

超长连贯文档解析：这是它的主场。例如，需要将一整本扫描版 PDF 教材转换为可搜索、可复制的电子版。传统工具需要逐页处理再合并，容易丢失页眉页脚、章节标题的连贯性，而 Unlimited-OCR 能更好地理解文档的整体结构。
保持原始排版格式：对于包含复杂排版、分栏、图文混排、表格和公式的学术论文或行业报告，它能尝试还原基本的版面信息，并输出为结构化格式（如 Markdown），比纯文本输出更有价值。
批量自动化处理：当你有大量同类型的长文档需要处理时（如公司历年财报扫描件），其 API 服务和批量处理能力可以集成到自动化脚本中，显著提升效率。
对数据隐私要求高的场景：由于可以完全本地部署，所有文档数据无需上传至第三方云端，适合处理敏感、机密或受版权保护的内部文档。

可能不适合或需注意的场景：

单张图片或零星截图识别：对于简单的“图片转文字”需求，成熟的单页 OCR 引擎（如 PaddleOCR）可能启动更快、更轻量。杀鸡无需用牛刀。
对识别精度有极端要求的场景：任何 OCR 模型都存在误识别率，尤其是在面对模糊、倾斜、手写体或特殊字体时。对于法律合同、医疗报告等关键文档，OCR 结果必须经过严格的人工复核。
无 GPU 的纯 CPU 环境：虽然支持 CPU 推理，但处理长文档的速度会非常慢，可能无法满足生产级时效要求。GPU 加速是体验其能力的关键。
版权与合规性：务必注意，使用该工具处理任何文档前，必须确保你拥有该文档的合法使用权或已获得相应授权。禁止用于破解受数字版权管理（DRM）保护的电子书、盗版扫描资料或其他侵犯版权的用途。技术本身无罪，但应用必须在法律和道德框架内。

3. 环境准备与前置条件

要顺利运行 Unlimited-OCR，你需要一个准备好的 Python 环境。以下是详细的检查清单，请逐项确认。

操作系统：

推荐：Ubuntu 20.04/22.04 LTS 或 Windows 10/11。Linux 环境通常依赖问题更少。
macOS：理论上支持，但需要自行解决一些特定依赖，且 GPU 加速（Metal）的支持情况需参考项目最新说明。

Python 环境：

Python 版本：建议使用 Python 3.8 至 3.10。避免使用过新（如 3.12+）或过旧（如 3.6）的版本，以免出现依赖包兼容性问题。

包管理工具：使用pip即可。强烈建议使用虚拟环境（venv或conda）来隔离项目依赖，避免污染系统环境。

# 创建虚拟环境示例 (Linux/macOS) python3 -m venv unlimited-ocr-env source unlimited-ocr-env/bin/activate # 创建虚拟环境示例 (Windows) python -m venv unlimited-ocr-env unlimited-ocr-env\Scripts\activate

深度学习框架与 CUDA：

PyTorch：这是项目的核心依赖。你需要安装与你的 CUDA 版本匹配的 PyTorch。
CUDA 与 cuDNN：如需 GPU 推理，必须安装正确版本的 NVIDIA 驱动、CUDA Toolkit 和 cuDNN。常见组合如 CUDA 11.7/11.8 + PyTorch 2.0+。你可以通过nvidia-smi命令查看驱动支持的 CUDA 最高版本。
CPU 备用方案：如果只有 CPU，直接安装 CPU 版本的 PyTorch 即可，但需做好心理准备，推理速度会慢很多。

磁盘空间：

模型文件：预训练模型文件通常有几个 GB 大小，请确保有足够的磁盘空间（建议预留 10GB 以上）。
临时文件：处理长文档时可能会产生中间缓存文件。

网络连接：

首次运行时需要从 Hugging Face 或百度云等源下载模型文件，请确保网络通畅。如果下载缓慢，可能需要配置镜像源或手动下载。

端口占用：

如果你计划启动 API 服务，需要确保预设的端口（例如 7860, 8000）未被其他程序占用。

4. 安装部署与启动方式

目前，Unlimited-OCR 主要通过源码方式安装和启动。我们假设你已经按照上一节准备好了 Python 虚拟环境并已激活。

步骤 1：获取项目源码最直接的方式是从 GitHub 克隆仓库。由于具体的仓库地址未在提供材料中明确，这里给出通用流程。你需要在开源平台（如 GitHub）上搜索 “Unlimited-OCR” 或 “Baidu Unlimited OCR” 来找到官方仓库。

# 假设官方仓库地址为 https://github.com/baidu/unlimited-ocr git clone https://github.com/baidu/unlimited-ocr.git cd unlimited-ocr

步骤 2：安装项目依赖进入项目根目录后，通常会有一个requirements.txt文件。

# 安装核心依赖 pip install -r requirements.txt # 额外安装可能需要的包，如用于启动Web服务的gradio或fastapi # pip install gradio # pip install fastapi uvicorn

安装过程中请密切关注终端输出，解决可能出现的依赖冲突。如果遇到特定库版本问题，可以尝试先升级pip和setuptools。

步骤 3：下载预训练模型模型文件通常不会随代码一起下载。你需要根据项目README.md的指引，从指定的模型仓库（如 Hugging Face Model Hub）下载。

# 示例：使用 huggingface-hub 库下载 (如果项目推荐此方式) pip install huggingface-hub python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='baidu/unlimited-ocr-model', local_dir='./model')" # 或者，根据项目提供的脚本下载 # python scripts/download_model.py

请务必将模型文件放置在项目指定的目录下（通常是./model或./checkpoints）。

步骤 4：启动服务（两种常见方式）根据项目设计，启动方式可能有两种：

方式 A：启动 Gradio Web UI（如果提供）这种方式提供了交互式界面，方便快速测试。

python app.py # 或 python webui.py

启动后，终端会输出一个本地 URL，如http://127.0.0.1:7860。在浏览器中打开此地址即可上传文档进行测试。

方式 B：启动 FastAPI 后端 API 服务这种方式更适合集成到自动化流程。

# 假设项目提供了 api_server.py python api_server.py --host 0.0.0.0 --port 8000

启动后，API 服务将在http://127.0.0.1:8000上运行。你可以使用curl或编写 Python 脚本进行调用。

5. 功能测试与效果验证

服务启动后，我们进入核心环节：功能测试。我们将设计几个典型的测试用例，来验证 Unlimited-OCR 的实际能力。

5.1 测试用例 1：单页复杂排版图片识别

测试目的：验证模型对单页图片中文字、段落、标题的基础识别和版面分析能力。输入素材：一张包含标题、正文段落、项目符号列表和图片的截图或扫描页。操作步骤：

如果使用 Web UI，直接在页面中上传图片文件。

如果使用 API，则编写一个调用脚本。

import requests import json api_url = "http://127.0.0.1:8000/ocr" image_path = "./test_images/complex_page.png" with open(image_path, 'rb') as f: files = {'image': f} # 根据实际API定义，可能还需要其他参数，如`return_format` data = {'return_format': 'markdown'} response = requests.post(api_url, files=files, data=data) result = response.json() print(json.dumps(result, indent=2, ensure_ascii=False)) # 如果返回的是Markdown文本，直接保存 if 'text' in result: with open('./output/complex_page.md', 'w', encoding='utf-8') as f: f.write(result['text'])

预期结果与成功标准：

成功：API 返回状态码 200，结果中包含识别出的文本。
高质量结果：标题被正确识别并突出（如在 Markdown 中用#表示），段落换行合理，列表结构得以保留。图片区域可能被标注为[图]或类似占位符。
观察点：检查专有名词、数字、标点符号的识别准确率。

5.2 测试用例 2：多页 PDF 文档解析

测试目的：验证“Unlimited”核心能力，即一次性处理长文档并保持跨页上下文连贯性。输入素材：一份 10-20 页的 PDF 文件（例如一篇论文或一份产品手册）。操作步骤：

Web UI 通常支持直接上传 PDF。

API 调用方式与图片类似，但 endpoint 或参数可能不同。

import requests api_url = "http://127.0.0.1:8000/ocr/pdf" pdf_path = "./test_docs/long_document.pdf" with open(pdf_path, 'rb') as f: files = {'file': f} # 可能需要指定页码范围、输出格式等 data = {'start_page': 1, 'end_page': 0, 'format': 'markdown'} # end_page=0 表示直到末尾 response = requests.post(api_url, files=files, data=data, timeout=300) # 设置较长超时时间 # 处理响应...

预期结果与成功标准：

成功：服务能接受 PDF 文件并开始处理，最终返回一个完整的识别结果文件（如一个.md文件或一个大的 JSON）。
核心验证点：检查文档的连贯性。例如：
- 第一章的标题在第二页是否仍被正确识别为一级标题？
- 跨页的表格是否被正确合并处理？
- 页眉（如章节名）和页脚（如页码）是否被识别，并在输出中被合理处理或过滤？
- 参考文献列表的编号是否连续？
性能观察：在终端或任务管理器中观察处理过程中的内存和显存占用变化。

5.3 测试用例 3：批量处理一个目录下的图片

测试目的：验证批量任务处理能力和稳定性。输入素材：一个文件夹./batch_input/，里面包含数十张扫描页图片（JPG/PNG）。操作步骤：通常需要自己编写一个简单的批量脚本，因为 Web UI 可能只支持单文件上传。

import os import requests import time from pathlib import Path api_url = "http://127.0.0.1:8000/ocr" input_dir = Path("./batch_input") output_dir = Path("./batch_output") output_dir.mkdir(exist_ok=True) supported_ext = {'.png', '.jpg', '.jpeg', '.bmp'} for img_path in input_dir.iterdir(): if img_path.suffix.lower() in supported_ext: print(f"Processing: {img_path.name}") with open(img_path, 'rb') as f: files = {'image': f} try: response = requests.post(api_url, files=files, timeout=60) response.raise_for_status() # 检查HTTP错误 result = response.json() # 保存结果，以原文件名+后缀保存 output_path = output_dir / (img_path.stem + '.txt') with open(output_path, 'w', encoding='utf-8') as out_f: out_f.write(result.get('text', '')) print(f" Saved to: {output_path}") except requests.exceptions.RequestException as e: print(f" Error processing {img_path.name}: {e}") # 可以记录失败日志，便于后续重试 time.sleep(0.5) # 避免请求过于频繁，可根据服务能力调整

预期结果与成功标准：

成功：脚本能遍历所有图片，逐一调用 API 并保存识别结果，无进程崩溃或服务挂起。
稳定性：处理 100 张图片后，服务的内存占用是否稳定？是否会出现内存泄漏迹象（占用持续增长）？
输出组织：每个输入文件都对应一个输出文件，便于后续核对和管理。

6. 接口 API 与批量任务集成

对于希望将 Unlimited-OCR 能力嵌入到自己系统中的开发者，其 API 接口是关键。本节基于常见设计进行说明，具体 API 定义请以官方文档为准。

6.1 API 服务调用详解

假设服务提供了标准的 RESTful API。

1. 健康检查端点

curl http://127.0.0.1:8000/health

预期返回{"status": "ok"}或类似信息，用于确认服务是否正常运行。

2. 图片 OCR 端点

import requests def ocr_image(image_path, api_base="http://127.0.0.1:8000"): url = f"{api_base}/v1/ocr" with open(image_path, 'rb') as img_file: files = {'file': img_file} # 常见参数示例 data = { 'language': 'ch', # 中文 'enable_layout_analysis': True, # 启用版面分析 'output_format': 'markdown' # 输出格式：text, json, markdown } resp = requests.post(url, files=files, data=data, timeout=120) return resp.json() # 调用示例 result = ocr_image("./test.png") if result['code'] == 0: # 假设返回结构中有 code 字段 print(result['data']['text']) else: print(f"OCR failed: {result['msg']}")

3. PDF 文档 OCR 端点

def ocr_pdf(pdf_path, api_base="http://127.0.0.1:8000", pages=None): url = f"{api_base}/v1/ocr/pdf" with open(pdf_path, 'rb') as pdf_file: files = {'file': pdf_file} data = {'output_format': 'markdown'} if pages: data['page_range'] = pages # 如 "1-5,10,15-20" resp = requests.post(url, files=files, data=data, timeout=300) # 长超时 return resp.json()

6.2 构建健壮的批量任务系统

直接使用简单的循环脚本在处理大量文档时可能不够健壮。一个生产级的批量系统应考虑以下几点：

任务队列：使用 Redis、RabbitMQ 或数据库来管理待处理任务队列，实现解耦和流量控制。
工作进程：启动多个工作进程（Worker）并发处理任务，提升吞吐量。注意 GPU 内存限制，避免并发过多导致显存溢出（OOM）。
状态与日志：每个任务应有明确状态（等待、处理中、成功、失败），并记录详细的处理日志和错误信息。
失败重试：对于网络超时、临时服务错误等可重试的失败，应实现指数退避的重试机制。
结果存储：将识别结果（文本、JSON）存储到数据库或文件系统中，并与原文件建立索引关系。

一个简化的基于 Pythonmultiprocessing池的批量处理器示例：

import multiprocessing from pathlib import Path import requests import json import time def process_single_file(file_path, api_url, retries=3): """处理单个文件的函数，供进程池调用""" for i in range(retries): try: with open(file_path, 'rb') as f: files = {'file': f} resp = requests.post(api_url, files=files, timeout=180) resp.raise_for_status() result = resp.json() # 处理并保存结果... return {"file": file_path.name, "status": "success", "data": result} except Exception as e: if i == retries - 1: return {"file": file_path.name, "status": "failed", "error": str(e)} time.sleep(2 ** i) # 指数退避 return {"file": file_path.name, "status": "unknown"} def batch_process(input_dir, output_dir, api_url, max_workers=2): """主批量处理函数""" input_dir = Path(input_dir) files = list(input_dir.glob("*.pdf")) + list(input_dir.glob("*.jpg")) # 使用进程池，控制并发数（避免GPU OOM） with multiprocessing.Pool(processes=max_workers) as pool: # 为每个文件创建一个任务 tasks = [(f, api_url) for f in files] results = pool.starmap(process_single_file, tasks) # 汇总结果 for res in results: print(f"{res['file']}: {res['status']}") if __name__ == '__main__': batch_process('./docs', './results', 'http://127.0.0.1:8000/v1/ocr', max_workers=2)

7. 资源占用与性能观察

处理长文档时，资源管理至关重要。以下是监控和优化性能的一些要点。

如何观察资源占用？

GPU 显存：在 Linux 终端使用nvidia-smi命令动态观察。在 Python 中可以使用torch.cuda.memory_allocated()。
系统内存：使用htop(Linux)、任务管理器 (Windows) 或psutilPython 库进行监控。
推理速度：在代码中记录处理每个文档或页面的起止时间。

影响性能的关键因素：

文档长度与复杂度：页数越多、排版越复杂（多栏、表格、公式），处理时间和内存消耗越高。
使用 GPU 还是 CPU：GPU 推理（尤其是利用 TensorRT 等优化后）可比 CPU 快一个数量级。这是体验“Unlimited”能力的基础。
模型精度与量化：项目未来可能会提供量化版本（如 INT8 量化）的模型，能在几乎不损失精度的情况下显著降低显存占用和提升速度。部署时可以关注是否有量化模型可用。
批处理大小（Batch Size）：如果 API 支持同时处理多页，调整batch_size可以提升吞吐量，但也会线性增加显存占用。需要根据你的 GPU 容量找到平衡点。
参考滑动窗口大小：这是 Unlimited-OCR 的核心参数。窗口大小决定了模型在处理当前页面时能“看到”多少上文信息。更大的窗口可能提升长文档一致性，但也会增加计算量。通常模型会提供默认值，非高级用户无需调整。

一个简单的性能测试脚本框架：

import time import psutil import torch from your_ocr_pipeline import process_document # 导入你的处理函数 def benchmark(doc_path): process = psutil.Process() start_cpu = process.cpu_percent(interval=None) if torch.cuda.is_available(): torch.cuda.reset_peak_memory_stats() start_gpu_mem = torch.cuda.memory_allocated() start_time = time.time() # 执行OCR处理 result = process_document(doc_path) elapsed = time.time() - start_time end_cpu = process.cpu_percent(interval=None) print(f"文档: {doc_path}") print(f"处理时间: {elapsed:.2f} 秒") print(f"CPU 占用变化: {end_cpu - start_cpu:.1f}%") if torch.cuda.is_available(): end_gpu_mem = torch.cuda.memory_allocated() peak_gpu_mem = torch.cuda.max_memory_allocated() print(f"GPU 显存占用峰值: {peak_gpu_mem / 1024**3:.2f} GB") print(f"GPU 显存当前占用: {end_gpu_mem / 1024**3:.2f} GB") return result

8. 常见问题与排查方法

在部署和使用过程中，你可能会遇到以下问题。这里提供通用的排查思路。

问题现象	可能原因	排查方式	解决方案
导入错误：`ModuleNotFoundError`	依赖包未安装或版本冲突。	检查`requirements.txt`是否安装完整。使用`pip list`查看已安装包版本。	在虚拟环境中重新安装依赖：`pip install -r requirements.txt --force-reinstall`。或根据错误信息单独安装缺失包。
启动服务时 CUDA 相关错误	1. PyTorch 版本与 CUDA 版本不匹配。 2. 未安装 GPU 版 PyTorch。 3. 显卡驱动太旧。	1. 在 Python 中运行`import torch; print(torch.__version__); print(torch.cuda.is_available())`。 2. 运行`nvidia-smi`查看驱动和 CUDA 版本。	1. 根据 CUDA 版本去 PyTorch 官网获取正确的安装命令。 2. 更新 NVIDIA 显卡驱动。
处理文档时显存不足（OOM）	1. 文档太长或分辨率太高。 2. 批处理大小（batch_size）设置过大。 3. GPU 显存本身较小。	观察`nvidia-smi`在处理过程中的显存占用。	1. 尝试减小“参考滑动窗口”大小（如果参数可调）。 2. 确保批处理大小为 1。 3. 使用 CPU 模式运行（速度慢）。 4. 考虑对图片进行适当降采样（降低分辨率）。
API 调用超时或无响应	1. 服务进程崩溃。 2. 文档处理时间过长，超过默认超时设置。 3. 服务器资源耗尽。	1. 检查服务进程是否还在运行。 2. 查看服务日志是否有错误堆栈。 3. 监控服务器 CPU/内存。	1. 重启服务。 2. 在客户端（如`requests.post`）增加`timeout`参数（如 300 秒）。 3. 优化文档或调整服务配置。
识别结果中出现乱码或大量错误	1. 文档语言与模型预设不匹配。 2. 图片质量太差（模糊、倾斜、低对比度）。 3. 字体过于特殊。	1. 检查 API 调用是否传入了正确的`language`参数。 2. 用其他 OCR 工具测试同一图片，对比结果。	1. 明确指定语言参数。 2. 对原始图片进行预处理：调整对比度、纠偏、去噪。 3. 理解当前模型的局限性，对关键结果进行人工校对。
处理 PDF 时卡住或报错	1. PDF 文件本身损坏或加密。 2. PDF 包含非嵌入字体或复杂矢量图。 3. 依赖的 PDF 解析库（如`pypdf`、`pdf2image`）有问题。	1. 尝试用其他 PDF 阅读器打开该文件。 2. 尝试将 PDF 转换为图片后再处理。	1. 修复或寻找源 PDF 文件。 2. 在 OCR 前，使用`pdf2image`等库将 PDF 每一页转为 PNG 图片，然后对图片进行 OCR。
批量处理时，部分文件失败	1. 个别文件格式不支持或损坏。 2. 服务在长时间运行后出现内存泄漏。 3. 并发请求过多导致服务不稳定。	1. 检查失败文件的格式和大小。 2. 查看服务日志中的具体错误信息。 3. 监控服务进程的内存增长情况。	1. 在批量脚本中加入文件格式过滤和异常捕获，跳过问题文件并记录日志。 2. 为批量任务设置“看门狗”，定期重启服务进程。 3. 降低并发 Worker 数量。

9. 最佳实践与使用建议

为了更稳定、高效地利用 Unlimited-OCR，这里有一些工程化建议。

从小规模开始验证：不要一上来就用一本 500 页的书做测试。先用 5-10 页的、质量较好的文档验证整个流程是否跑通，评估效果和性能是否符合预期。
建立标准化的预处理流程：对于来源复杂的扫描件，一个统一的预处理流程能大幅提升识别率。这包括：统一分辨率（如 300 DPI）、自动纠偏（旋转摆正）、去黑边、增强对比度等。可以使用 OpenCV 或 PIL 库实现自动化脚本。
结果后处理与校对：OCR 输出不是终点。建立简单的后处理规则，如：
- 正则表达式纠正常见的 OCR 错误（如 “0” 和 “O”，“1” 和 “l”）。
- 利用词典进行拼写检查（对于中文，可以检查连续的非中文字符）。
- 对于关键文档，必须引入人工校对环节，尤其是数字、日期、人名、金额等信息。

模型与数据目录分离：将模型文件、输入数据、输出结果、日志文件放在不同的目录下，便于管理和清理。例如：

project/ ├── models/ # 存放下载的模型 ├── inputs/ # 存放待处理的原始文档 ├── outputs/ # 存放识别结果 ├── logs/ # 存放运行日志 └── scripts/ # 存放处理脚本

服务化与监控：如果用于生产环境，建议将 OCR 服务封装为 Docker 容器，并使用 Kubernetes 或 Docker Compose 进行部署和管理。同时，添加健康检查接口和基础监控（如 Prometheus metrics），便于掌握服务状态。
合规与授权归档：建立文档处理台账，记录每份文档的来源、处理时间、操作人员。对于有明确版权或隐私要求的文档，确保处理流程符合内部合规政策，并在处理后安全地删除原始文件（如果需要）。