Python調(diào)用paddleocr編寫一個桌面端PDF識別工具

更新時間：2025年07月21日 08:35:04 作者：志字輩小螞蟻

這篇文章主要為大家詳細介紹了如何使用Python調(diào)用paddleocr編寫一個桌面端PDF識別工具,文中的示例代碼簡潔易懂,有需要的小伙伴可以了解下

一. 前言

近期在研究 OCR 的一些工具，想著先試試本地識別，后面再嘗試一下 AI 的效率，最后選出一個好點的。

這一篇主要是了解了一下 paddleocr 的使用。

二. 安裝啟動

官方使用文檔：github.com/PaddlePaddle/PaddleOCR/blob/main/README_cn.md

環(huán)境準備

我這里使用的是 Anaconda 建的虛擬環(huán)境，以下可以跳過

conda create --prefix "D:\code\python\enviroment\pdf_env" python=3.11.9
conda activate "D:\code\python\enviroment\pdf_env"

Anaconda

# 安裝基礎組件
pip install PyQt6 
pip install PyQt6-WebEngine 
pip install PyQt6-Frameless-Window 
pip install PyQt6-Fluent-Widgets -i https://pypi.org/simple/

# 安裝 paddleocr
pip install paddleocr

# 安裝 paddlepaddle (這里為了避免性能要求高，所以采用CPU 版本) 
# 另外還有性能更好的 GPU 版本 -> https://www.paddlepaddle.org.cn/install/quick
python -m pip install paddlepaddle==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# 安裝 PyMuPDF 用于處理 PDF
pip install PyMuPDF

運行項目 (CPU )

結果是出來了，但是這性能太嚇人了，我這 CPU 也不算差呀

換個 GPU 試試

python -m pip uninstall paddlepaddle

查看自己的版本（Windows 版本）

nvidia-smi

安裝對應版本

python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

三. 核心代碼

import os
import fitz  # PyMuPDF
from paddleocr import PaddleOCR
import time
from datetime import datetime
from prettytable import PrettyTable
import csv
import traceback
import logging
import json

# 配置日志
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler("ocr_service.log"),
        logging.StreamHandler()
    ]
)
logger = logging.getLogger("OCR_Service")

def ocr_pdf_pages(pdf_path: str, page_numbers: list[int], output_dir: str = None):
    """
    使用 PaddleOCR 對 PDF 文件的指定頁面進行 OCR，并將結構化結果統(tǒng)一導出到 CSV。

    Args:
        pdf_path (str): PDF 文件的路徑。
        page_numbers (list[int]): 需要讀取的頁碼列表 (例如 [1, 3, 5])。
        output_dir (str, optional): 輸出結果的目錄。如果指定，將保存圖片、JSON 和匯總的 CSV 文件。
    """
    start_time = time.time()
    start_datetime = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    logger.info(f"開始處理時間: {start_datetime}")

    if not os.path.exists(pdf_path):
        logger.error(f"錯誤：找不到 PDF 文件 '{pdf_path}'")
        return

    # 初始化 PaddleOCR 引擎
    logger.info("正在初始化 PaddleOCR 引擎，這可能需要一些時間...")
    ocr_start_time = time.time()

    ocr = PaddleOCR(
        # --- 核心功能與模型設置 ---
        lang="ch",                      # 1. 語言：指定為中文模型（'ch' 支持中英文和數(shù)字）
        ocr_version="PP-OCRv5",         # 2. 模型版本：使用先進的PP-OCRv5
        use_angle_cls=False,             # 3. 方向矯正：自動檢測文字方向并旋轉(zhuǎn)圖片

        # device="gpu:0",               # (新版推薦) 這是更現(xiàn)代的寫法，指定使用0號GPU
        use_tensorrt=False,              # 5. TensorRT加速：在NVIDIA GPU上獲得極致性能 (需提前安裝TensorRT)
        precision='fp16',               # 6. 精度：使用半精度(fp16)，速度更快，顯存占用更低 (需要GPU支持)
        
        # --- 性能與設備優(yōu)化 (CPU用戶) ---
        enable_mkldnn=True,             # 7. MKLDNN加速：若在CPU上運行，此選項可提升Intel CPU的性能
        cpu_threads=6,                  # 8. CPU線程數(shù)：在CPU模式下運行時使用的核心數(shù)

        # --- 效果微調(diào) ---
        text_rec_score_thresh=0.5,      # 9. 識別閾值：只返回置信度高于 0.5 的識別結果，過濾掉模糊的猜測
    )
    ocr_end_time = time.time()
    logger.info(f"引擎初始化完成。耗時: {ocr_end_time - ocr_start_time:.2f} 秒")

    # 如果指定了輸出目錄，確保它存在
    if output_dir:
        os.makedirs(output_dir, exist_ok=True)

    # 初始化列表以保存所有頁面的數(shù)據(jù)，用于最后統(tǒng)一導出
    all_csv_rows = []
    csv_header = ['page', 'text', 'score', 'x_min', 'y_min', 'x_max', 'y_max']

    try:
        # 打開 PDF 文件
        doc = fitz.open(pdf_path)

        # 遍歷指定的頁碼
        for page_num in page_numbers:
            page_start_time = time.time()
            # 驗證頁碼是否在有效范圍內(nèi) (fitz 從 0 開始索引, 用戶輸入從 1 開始)
            if not (1 <= page_num <= doc.page_count):
                logger.warning(f"警告：頁碼 {page_num} 超出范圍 (總頁數(shù): {doc.page_count})。已跳過。")
                continue

            logger.info(f"\n--- 正在處理第 {page_num} 頁 ---")

            # 加載頁面并轉(zhuǎn)換為高分辨率圖像
            page = doc.load_page(page_num - 1)
            pix = page.get_pixmap(dpi=300)
            temp_img_path = f"temp_page_{page_num}.png"
            pix.save(temp_img_path)

            # 進行 OCR 識別
            predict_start_time = time.time()
            result = ocr.predict(input=temp_img_path)
            predict_end_time = time.time()
            logger.info(f"OCR 識別耗時: {predict_end_time - predict_start_time:.2f} 秒")

            # 處理單頁的識別結果
            # predict 返回一個列表，對于單個圖像，我們只關心第一個元素
            page_result_obj = result[0] if result else None
            
            if page_result_obj:
                # 你原來的代碼
                page_result_obj.print()
                page_result_obj.save_to_img("output")
                page_result_obj.save_to_json("output")
                
                # --- 新增代碼 ---
                # 1. 使用點號(.)直接獲取 rec_texts 屬性的值，并存入新變量 all_texts
                all_texts = page_result_obj['rec_texts']
                
                # 2. (可選) 打印這個新變量，驗證結果
                print("成功提取的文本內(nèi)容:", all_texts)
                
                # 現(xiàn)在 all_texts 就是一個列表，包含了所有識別出的文本
                # 你可以對它進行任何操作，比如遍歷
                for text_item in all_texts:
                    print(f"識別到的單項文本: {text_item}")
                    
            else:
                logger.info(f"--- 第 {page_num} 頁未識別到文本 ---")

            # 刪除臨時圖像文件
            if os.path.exists(temp_img_path):
                os.remove(temp_img_path)

            page_end_time = time.time()
            logger.info(f"第 {page_num} 頁處理完成，耗時: {page_end_time - page_start_time:.2f} 秒")

        doc.close()

    except Exception as e:
         # 使用 traceback.format_exc() 獲取完整的異常棧字符串
        error_stack = traceback.format_exc()
        
        # 將其與您的自定義信息一起打印出來
        logger.error(f"處理 PDF 時發(fā)生嚴重錯誤:\n{error_stack}")

    # 在所有頁面處理完畢后，將收集到的數(shù)據(jù)寫入一個 CSV 文件
    if output_dir and all_csv_rows:
        csv_path = os.path.join(output_dir, "structured_ocr_results.csv")
        logger.info(f"\n正在將所有結果匯總到: {csv_path}")
        try:
            with open(csv_path, 'w', newline='', encoding='utf-8-sig') as f:
                writer = csv.writer(f)
                writer.writerow(csv_header)
                writer.writerows(all_csv_rows)
            logger.info(f"? 匯總 CSV 文件已成功保存！")
        except IOError as e:
            logger.error(f"? 匯總導出 CSV 文件失敗: {e}")

    end_time = time.time()
    end_datetime = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    total_time = end_time - start_time
    logger.info(f"\n處理結束時間: {end_datetime}")
    logger.info(f"總處理時間: {total_time:.2f} 秒 ({total_time/60:.2f} 分鐘)")

使用效果：

四. 使用時的一些注意事項

PaddleOCR 對象的準備

關于請求參數(shù)的作用

def predict(
    self,
    # 待識別的圖片，可以是路徑、URL或圖片數(shù)據(jù)
    input,
    # 是否自動旋轉(zhuǎn)圖片方向
    use_doc_orientation_classify=None,
    # 是否自動校正彎曲圖片
    use_doc_unwarping=None,
    # 是否自動判斷文本行方向
    use_textline_orientation=None,
    
    # 臨時修改文本檢測模型的最長邊限制
    text_det_limit_side_len=None,
    # 臨時修改文本檢測的最長邊限制類型
    text_det_limit_type=None,
    # 臨時修改文本檢測的二值化閾值
    text_det_thresh=None,
    # 臨時修改文本檢測的檢測框得分閾值
    text_det_box_thresh=None,
    # 臨時修改文本檢測的文本框擴大比例
    text_det_unclip_ratio=None,
    # 臨時修改文本識別的置信度閾值
    text_rec_score_thresh=None,
    
    # 結果保存格式 (txt, json, pdf, pdf_searchable)
    save_format=None,
    # 結果保存路徑
    save_path=None,
    # 結果可視化或生成PDF時使用的字體路徑
    font_path=None,
):
    # ... 函數(shù)的具體實現(xiàn)邏輯 ...
    pass