简介

本仓库依托于RapidOCR仓库，快速提取PDF中文字，包括扫描版PDF、加密版PDF、可直接复制文字版PDF。

如果是扫描版PDF，暂时不支持版式还原，后续有空会考虑加上，日期不定。

整体流程

flowchart LR

A(PDF) --> B{是否可以直接提取内容} --是--> C(PyMuPDF)
B --否--> D(RapidOCR)

C & D --> E(结果)

TODO

• [ ] 支持图像的提取
• [ ] 整合版面分析模型，段落化输出PDF内容
• [ ] 完善仓库文档

安装

# 基于rapidocr_onnxruntime
pip install rapidocr_pdf[onnxruntime]

# 基于rapidocr_openvino
pip install rapidocr_pdf[openvino]

使用

脚本使用

from rapidocr_pdf import PDFExtracter

rec_model_path = 'xxxx.onnx
pdf_extracter = PDFExtracter(rec_model_path=rec_model_path)

pdf_path = 'tests/test_files/direct_and_image.pdf'
texts = pdf_extracter(pdf_path, force_ocr=False)
print(texts)

命令行使用

$ rapidocr_pdf -h
usage: rapidocr_pdf [-h] [-path FILE_PATH] [-f]

optional arguments:
  -h, --help            show this help message and exit
  -path FILE_PATH, --file_path FILE_PATH
                        File path, PDF or images
  -f, --force_ocr       Whether to use ocr for all pages.

$ rapidocr_pdf -path tests/test_files/direct_and_image.pdf

输入输出说明

输入：Union[str, Path, bytes]

输出：List [页码, 文本内容, 置信度]， 具体参见下例：

[
    ['0', '人之初，性本善。性相近，习相远。', '0.8969868'],
    ['1', 'Men at their birth, are naturally good.', '0.8969868'],
]

更新日志

2024-01-16 v0.0.9 update:

• 当PDF可以直接提取时，添加排序功能

2023-12-04 v0.0.8 update:

• 兼容RapidOCR参数传入，具体可传入参数参见：OCR传入参数说明

2023-11-18 v0.0.7 update:

• 修复issue #3, 添加force_ocr参数控制是否强制所有页面全部OCR

2023-08-28 v0.0.6 update:

• 解决PyMuPDF版本依赖问题，对应issue #2

2023-04-17 v0.0.2 update:

• 完善使用文档