Pdf Ocr

# PDF扫描件 OCR 转换技能 📄

配置 - **百度 OCR API Key**: vOBOM7tO0lL8cKMJdZy453Ai - **百度 OCR Secret Key**: bib8MvDPTfXXdPz4JyzIyDCvCeKxtpyu - **免费额度**: **1000次/月**（1次=1页），592页以内一次免费跑完 - **接口**: 通用文字识别（高精度版）`accurate_basic`

依赖安装 ```bash pip install pymupdf python-docx pillow ```

使用方法

```bash python3 {baseDir}/scripts/pdf_to_docx.py <PDF路径> [输出目录] ```

输出文件在 `[输出目录]/xxx_全文_ocr.docx`，文件较大时用脚本压缩图片：

```bash python3 {baseDir}/scripts/compress_docx.py <docx路径> <输出路径> ```

处理策略

| 页面类型 | 判断方式 | 处理方式 | |---------|---------|---------| | 正文页 | 默认 | 裁掉顶部6%（页眉）+底部4%（页脚），OCR识别文字 | | 插图页 | OCR无文字输出 | 保留为图片嵌入Word | | 彩色封面/章节页 | 彩色像素占比>25% | 保留为图片，加灰色标注 |

已知限制 - **图文混排页**（图表里有文字）：OCR会把图表内文字识别为正文，需人工替换 - 解决：用户找到问题页，告知PDF页码，截图后手动替换 - **白底目录页**：不会被自动识别为特殊页，会被OCR识别（效果一般） - 解决：转换后人工替换目录页为图片

实战案例（《预测之书》592页） - 处理时间：约20分钟（含0.6s/页间隔） - 输出原始大小：303MB（嵌入144张图片） - 压缩后大小：3.4MB（图片降分辨率至600px宽，质量60%） - 识别效果：正文准确率高，图表页需人工处理 - 每50页自动保存一次进度，防止中途崩溃

注意事项 - 免费版 QPS=2，脚本已加0.6秒/页间隔 - 裁剪比例（页眉6%/页脚4%）可在脚本顶部调整 - OCR完成后建议抽查几页校对准确率 - 原始高清版保留在服务器，压缩版用于分发