feat(data_process): 显式关闭 docling OCR 并拒绝无文本层 PDF

- docling 转换器通过 PdfPipelineOptions 显式设置 do_ocr=False，
  混合 PDF 的图片页不再产出 OCR 文字；不提供重新开启 OCR 的参数。
- 无文本层 PDF 的错误文案改为"扫描版或图片型 PDF 不支持"，
  上传阶段整批拒绝，保留混合 PDF 的可处理判定。
- 新增 test_layout_converter_disables_ocr 守护开关状态，
  同步设计文档与 disable-ocr 实施计划/设计说明。

backend/app/modules/data_process/algorithms/parsers/pdf.py

@@ -104,7 +104,9 @@ def extract_pdf_page_texts(raw: bytes) -> tuple[PdfPageText, ...]:
         )
         has_text = True
     if not has_text:
-        raise ValueError("PDF contains no extractable text; scanned PDF requires OCR")
+        raise ValueError(
+            "PDF contains no extractable text; scanned or image-only PDF files are not supported"
+        )
     return tuple(pages)
 
 def _pdf_page_lines(page: PdfPageText) -> tuple[_PdfLine, ...]:

backend/app/modules/data_process/document_chunking.py

@@ -262,9 +262,17 @@ def _make_text_chunk(source: str, start: int, end: int) -> DocumentChunk:
 
 @lru_cache(maxsize=1)
 def _document_converter():
-    from docling.document_converter import DocumentConverter
+    from docling.datamodel.base_models import InputFormat
+    from docling.datamodel.pipeline_options import PdfPipelineOptions
+    from docling.document_converter import DocumentConverter, PdfFormatOption
 
-    return DocumentConverter()
+    pipeline_options = PdfPipelineOptions()
+    pipeline_options.do_ocr = False
+    return DocumentConverter(
+        format_options={
+            InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options),
+        }
+    )
 
 
 class _MarkdownSerializerProvider(ChunkingSerializerProvider):

backend/tests/test_data_process_algorithms.py

@@ -654,7 +654,10 @@ def test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing() -> None:
     blank_writer = PdfWriter()
     blank_writer.add_blank_page(width=612, height=792)
     blank_writer.write(blank_pdf)
-    with pytest.raises(ValueError, match="scanned PDF requires OCR"):
+    with pytest.raises(
+        ValueError,
+        match="scanned or image-only PDF files are not supported",
+    ):
         parse_text_content(blank_pdf.getvalue(), filename="scanned.pdf")
 
     aes_pdf_without_open_password = parse_text_content(

backend/tests/test_document_chunking.py

@@ -1,10 +1,14 @@
 from __future__ import annotations
 
+import sys
+from types import ModuleType, SimpleNamespace
+
 from llama_index.core.embeddings import MockEmbedding
 
 from app.modules.data_process.document_chunking import (
     DocumentChunk,
     _compact_with_offsets,
+    _document_converter,
     _project_layout_span,
     chunk_fixed_text,
     chunk_semantic_text,
@@ -42,6 +46,48 @@ def test_semantic_splitter_uses_llamaindex_and_reapplies_maximum_size() -> None:
     assert "".join(chunk.original_content for chunk in chunks) == text
 
 
+def test_layout_converter_disables_ocr(monkeypatch) -> None:
+    class FakePipelineOptions:
+        def __init__(self) -> None:
+            self.do_ocr = True
+
+    class FakePdfFormatOption:
+        def __init__(self, *, pipeline_options) -> None:
+            self.pipeline_options = pipeline_options
+
+    class FakeDocumentConverter:
+        def __init__(self, *, format_options) -> None:
+            self.format_options = format_options
+
+    docling_module = ModuleType("docling")
+    docling_module.__path__ = []
+    document_converter_module = ModuleType("docling.document_converter")
+    document_converter_module.DocumentConverter = FakeDocumentConverter
+    document_converter_module.PdfFormatOption = FakePdfFormatOption
+    datamodel_module = ModuleType("docling.datamodel")
+    datamodel_module.__path__ = []
+    base_models_module = ModuleType("docling.datamodel.base_models")
+    base_models_module.InputFormat = SimpleNamespace(PDF="pdf")
+    pipeline_options_module = ModuleType("docling.datamodel.pipeline_options")
+    pipeline_options_module.PdfPipelineOptions = FakePipelineOptions
+    for name, module in {
+        "docling": docling_module,
+        "docling.document_converter": document_converter_module,
+        "docling.datamodel": datamodel_module,
+        "docling.datamodel.base_models": base_models_module,
+        "docling.datamodel.pipeline_options": pipeline_options_module,
+    }.items():
+        monkeypatch.setitem(sys.modules, name, module)
+
+    _document_converter.cache_clear()
+    try:
+        converter = _document_converter()
+        options = converter.format_options["pdf"].pipeline_options
+        assert options.do_ocr is False
+    finally:
+        _document_converter.cache_clear()
+
+
 def test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines() -> None:
     source = "标题\n第一条 这是正文。\n第二条 后续正文。"
     compact_source, offsets = _compact_with_offsets(source)

docs/data-process-design.md

@@ -118,7 +118,7 @@ pending ──start/generate──> running ──success──> completed
   抽取幻灯片文本与表格，随后统一进入切片算法。
 - 旧版二进制 DOC、XLS、PPT 不直接解析，返回 415 并提示分别转换为
   DOCX、XLSX、PPTX。
-- 扫描 PDF 没有文本层时明确提示需要 OCR；当前流程不执行 OCR。加密、损坏或
+- 扫描 PDF 没有文本层时明确提示扫描版或图片型 PDF 不支持。加密、损坏或
   超出页数/工作表/行列/解压规模限制的文件整批拒绝。
 
 现代 Office 文件在交给解析库前检查 ZIP 成员路径、重复成员、加密标记、活动

docs/superpowers/plans/2026-08-18-disable-ocr.md

@@ -0,0 +1,204 @@
+# 屏蔽数据处理 OCR 能力实施计划
+
+> **For agentic workers:** REQUIRED SUB-SKILL: Use superpowers:subagent-driven-development (recommended) or superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (`- [ ]`) syntax for tracking.
+
+**Goal:** 在保留 Docling 版面分析和 `layout_hybrid` 的前提下，显式关闭 PDF pipeline 的 OCR，并拒绝无文本层 PDF。
+
+**Architecture:** 只修改 `document_chunking.py` 中的 Docling converter 构造，使 PDF 使用 `PdfPipelineOptions(do_ocr=False)`；不修改切分方式、依赖、前端配置或版面 chunker。pypdf 继续负责上传阶段文本提取和扫描 PDF 边界判断。
+
+**Tech Stack:** Python 3.12、FastAPI、pypdf、Docling 2.115.0、LlamaIndex、pytest、Ruff、Vue 3、Node 回归脚本。
+
+## Global Constraints
+
+- 必须保留 `layout_hybrid`、Docling 版面分析和现有前端切分选项。
+- 只能关闭 OCR，不删除 Docling、版面/表格分析、PDF 页码映射或普通切分。
+- 纯扫描/图片型 PDF 明确拒绝；混合 PDF 保留，图片页不产生文字。
+- 不新增 OCR 开关，不提供重新开启 OCR 的参数或环境变量。
+- 不修改 `.codex-tmp/` 和 `outputs/` 等既有未跟踪用户文件。
+- 不执行 `git commit`；提交前必须取得用户明确确认。
+
+---
+
+### Task 1: 显式关闭 Docling PDF OCR
+
+**Files:**
+- Modify: `backend/app/modules/data_process/document_chunking.py:261-265`
+- Test: `backend/tests/test_document_chunking.py`
+
+**Interfaces:**
+- `_document_converter()` 保持无参数、缓存和返回 `DocumentConverter` 的现有接口。
+- PDF 的 `PdfFormatOption` 必须收到 `pipeline_options.do_ocr is False`。
+
+- [ ] **Step 1: Add a failing configuration test**
+
+在 `backend/tests/test_document_chunking.py` 导入 `_document_converter`、`sys`、`ModuleType` 和 `SimpleNamespace`，添加使用假的 Docling 模块的测试：
+
+```python
+def test_layout_converter_disables_ocr(monkeypatch) -> None:
+    class FakePipelineOptions:
+        def __init__(self) -> None:
+            self.do_ocr = True
+
+    class FakePdfFormatOption:
+        def __init__(self, *, pipeline_options) -> None:
+            self.pipeline_options = pipeline_options
+
+    class FakeDocumentConverter:
+        def __init__(self, *, format_options) -> None:
+            self.format_options = format_options
+
+    # 将这些 fake 类注册到 docling.document_converter、
+    # docling.datamodel.base_models 和 docling.datamodel.pipeline_options。
+    # 调用 _document_converter 后断言：
+    _document_converter.cache_clear()
+    converter = _document_converter()
+    assert converter.format_options["pdf"].pipeline_options.do_ocr is False
+    _document_converter.cache_clear()
+```
+
+测试保留现有版面投影和 provenance 测试，证明本任务不是删除版面分析。
+
+- [ ] **Step 2: Run the new test before implementation**
+
+Run:
+
+```bash
+cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr -q
+```
+
+Expected: FAIL，因为当前 `_document_converter()` 没有 PDF pipeline options，fake converter 不会收到 `format_options`。
+
+- [ ] **Step 3: Implement the explicit PDF options**
+
+将 `_document_converter()` 改为：
+
+```python
+@lru_cache(maxsize=1)
+def _document_converter():
+    from docling.datamodel.base_models import InputFormat
+    from docling.datamodel.pipeline_options import PdfPipelineOptions
+    from docling.document_converter import DocumentConverter, PdfFormatOption
+
+    pipeline_options = PdfPipelineOptions()
+    pipeline_options.do_ocr = False
+    return DocumentConverter(
+        format_options={
+            InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options),
+        }
+    )
+```
+
+不要删除 `_MarkdownSerializerProvider`、`chunk_layout_document`、`HybridChunker`、来源页码或 bbox 代码。
+
+- [ ] **Step 4: Run OCR and layout regression tests**
+
+Run:
+
+```bash
+cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr tests/test_document_chunking.py::test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines -q
+```
+
+Expected: PASS；OCR 配置关闭，版面文本投影仍通过。
+
+---
+
+### Task 2: 更新无文本 PDF 的错误和文档
+
+**Files:**
+- Modify: `backend/app/modules/data_process/algorithms/parsers/pdf.py:106-108`
+- Modify: `backend/tests/test_data_process_algorithms.py:650-658`
+- Modify: `docs/data-process-design.md:121-122`
+
+**Interfaces:**
+- `extract_pdf_page_texts()` 的判定逻辑不变，只更新无文本 PDF 的错误文案。
+- 混合 PDF 仍由 `has_text` 判定为可处理。
+
+- [ ] **Step 1: Update the expected error**
+
+将测试断言改为：
+
+```python
+with pytest.raises(
+    ValueError,
+    match="scanned or image-only PDF files are not supported",
+):
+    parse_text_content(blank_pdf.getvalue(), filename="scanned.pdf")
+```
+
+- [ ] **Step 2: Change only the error message**
+
+将解析器分支改为：
+
+```python
+if not has_text:
+    raise ValueError(
+        "PDF contains no extractable text; scanned or image-only PDF files are not supported"
+    )
+```
+
+不要修改 `has_text` 逻辑，以保留混合 PDF。
+
+- [ ] **Step 3: Update the design documentation**
+
+将 `docs/data-process-design.md` 中“扫描 PDF 没有文本层时明确提示需要 OCR；当前流程不执行 OCR”改为“扫描版或图片型 PDF 不支持”，保留其余格式限制说明。
+
+- [ ] **Step 4: Run PDF boundary tests**
+
+Run:
+
+```bash
+cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_data_process_algorithms.py::test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing -q
+```
+
+Expected: PASS；纯扫描 PDF 明确拒绝。
+
+---
+
+### Task 3: 运行受影响验证并检查范围
+
+**Files:**
+- Test: `backend/tests/test_document_chunking.py`
+- Test: `backend/tests/test_data_process_algorithms.py`
+- Test: `frontend/scripts/regression-data-process-wizard.mjs`
+
+- [ ] **Step 1: Run targeted backend tests and Ruff**
+
+Run:
+
+```bash
+cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr tests/test_document_chunking.py::test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines tests/test_data_process_algorithms.py::test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing -q
+.venv/bin/ruff check app/modules/data_process/document_chunking.py tests/test_document_chunking.py app/modules/data_process/algorithms/parsers/pdf.py
+```
+
+Expected: targeted tests pass. Any pre-existing Ruff findings outside the changed OCR configuration must be reported separately, not fixed as unrelated refactoring.
+
+- [ ] **Step 2: Run the frontend regression and type check**
+
+Run:
+
+```bash
+cd frontend && node scripts/regression-data-process-wizard.mjs
+npm run type-check
+```
+
+Expected: existing `layout_hybrid`/semantic/fixed assertions remain unchanged; any unrelated pre-existing regression failure is reported separately.
+
+- [ ] **Step 3: Check OCR references and final diff**
+
+Run from the repository root:
+
+```bash
+rg -n -i --hidden \
+  --glob '!.git/**' \
+  --glob '!node_modules/**' \
+  --glob '!dist/**' \
+  --glob '!outputs/**' \
+  --glob '!.codex-tmp/**' \
+  '(tesseract|paddleocr|easyocr|ocrmypdf|pytesseract)' \
+  backend frontend docs/data-process-design.md
+
+git diff --check
+git status --short
+```
+
+Expected: no OCR engine dependency or executable OCR integration; the only intended OCR-related runtime setting is `do_ocr = False`, and the diff does not touch layout options, frontend method choices, Docling dependencies, `.codex-tmp/` or `outputs/`.

docs/superpowers/specs/2026-08-18-disable-ocr-design.md

@@ -0,0 +1,69 @@
+# 屏蔽数据处理中的 OCR 能力设计
+
+日期：2026-08-18
+
+## 1. 目标
+
+屏蔽数据处理运行时的 OCR 能力，同时保留 Docling、`layout_hybrid` 版面分析、文本型 PDF 解析和现有前端切分选项。版面分析继续使用 Docling 的结构识别模型，但 PDF pipeline 必须显式设置 `do_ocr=False`，不再从图片或扫描页面识别文字。
+
+## 2. 行为边界
+
+- `layout_hybrid`、`semantic`、`fixed` 三种切分方式保持不变。
+- `layout_hybrid` 继续通过 Docling 识别文本层 PDF 的版面、阅读顺序、表格和列表结构。
+- OCR 是独立阶段，只在 Docling PDF pipeline 中关闭；不删除 Docling 版面/表格分析模型。
+- 整份 PDF 没有可提取文本时继续拒绝，并提示扫描版或图片型 PDF 不支持。
+- 混合 PDF 继续接收；有文本页正常处理，无文本图片页不产生文字，也不触发 OCR。
+- TXT、Markdown、结构化文件、DOCX、XLSX、PPTX 和文本型 PDF 的其他流程不变。
+- 不新增 OCR 配置项，不提供任何重新开启 OCR 的请求参数或环境开关。
+
+## 3. 数据流
+
+上传阶段仍由 `pypdf` 提取 PDF 文本。整份 PDF 没有文本层时在上传阶段失败；混合 PDF 保留空文本页。
+
+预览阶段的 `layout_hybrid` 仍读取原始文件并调用 `DocumentConverter`，但转换器使用 PDF 专用配置：
+
+```python
+pipeline_options = PdfPipelineOptions()
+pipeline_options.do_ocr = False
+DocumentConverter(
+    format_options={
+        InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options),
+    }
+)
+```
+
+这样 Docling 仍可对已有文本层执行版面分析，图片内容不会被 OCR 成文字。`semantic` 继续使用 LlamaIndex/HuggingFace embedding 模型；该模型与 OCR 无关。
+
+## 4. 代码改动
+
+### 4.1 PDF 版面转换
+
+修改 `backend/app/modules/data_process/document_chunking.py` 的 `_document_converter()`：
+
+- 导入 `InputFormat`、`PdfPipelineOptions` 和 `PdfFormatOption`；
+- 创建 `PdfPipelineOptions` 后将 `do_ocr` 固定为 `False`；
+- 只为 `InputFormat.PDF` 注册该配置；
+- 保留现有 `HybridChunker`、版面序列化、来源页码和 bbox 映射。
+
+### 4.2 扫描 PDF 错误与文档
+
+将无文本 PDF 的错误从“需要 OCR”改为“扫描版或图片型 PDF 不支持”，避免向用户暗示系统可以提供 OCR。同步更新数据处理设计文档；不删除测试中与 DPO 字段验证无关的历史文本样例。
+
+### 4.3 依赖与界面
+
+不删除 `docling`、`docling_core`、`layout_hybrid`、前端版面切分选项或相关配置。仅增加 OCR 关闭回归测试，不修改切分类型、默认值和前端交互。
+
+## 5. 测试设计
+
+- 使用假的 Docling 模块测试 `_document_converter()` 传入的 PDF pipeline options 最终为 `do_ocr=False`，不要求测试环境安装 Docling 才能验证配置。
+- 保留并运行版面投影、来源页码、短块合并和已有文本 PDF 测试，确认版面分析代码未被删除。
+- 更新纯扫描 PDF 错误断言。
+- 运行受影响的后端 pytest、Ruff 和前端数据处理回归；前端切分方式回归应继续要求 `layout_hybrid`、`semantic`、`fixed` 三种配置。
+- 静态检查确认没有新增 OCR 开关、OCR 调用或 OCR 引擎依赖；`do_ocr=False` 是唯一运行时设置。
+
+## 6. 非目标
+
+- 不移除版面结构混合切分。
+- 不移除 Docling 或其版面/表格分析模型。
+- 不把 `layout_hybrid` 改为语义或固定切分。
+- 不删除 PDF 支持，不改变混合 PDF 的接收策略。