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） INLINECODE0
依赖安装
CODEBLOCK0
使用方法
CODEBLOCK1
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：
CODEBLOCK2
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
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/pdftodocx.py [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 <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
