PDF OCR Skill

PDF OCR技能用于从影印版PDF文件和图片文件中提取文字内容。该技能使用硅基流动大模型进行光学字符识别（OCR），能够识别扫描版PDF和图片中的中文和英文文字。

功能特性

• 支持影印版PDF文件的文字提取
• 支持多种图片格式的文字识别（JPG、PNG、BMP、GIF、TIFF、WEBP）
• 使用硅基流动大模型进行OCR识别
• 支持中文和英文文字识别
• 保持文字的顺序和结构
• 自动将PDF页面转换为图片进行识别

安装

依赖要求

pip install pymupdf pillow requests python-dotenv

环境变量配置

1. 复制 .env.example 文件并重命名为 .env
2. 填入您的硅基流动 API 密钥：

SILICON_FLOW_API_KEY=your_api_key_here
SILICON_FLOW_OCR_MODEL=deepseek-ai/DeepSeek-OCR

快速开始

识别PDF文件

# 导入OCR处理器
from pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例
processor = PDFOCRProcessor()

# 执行PDF OCR识别
result = processor.ocr_pdf('path/to/your/scanned.pdf')

# 获取识别结果
print(f"识别完成，共 {result['page_count']} 页")
print(result['text'])

识别图片文件

# 导入OCR处理器
from pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例
processor = PDFOCRProcessor()

# 执行图片OCR识别
result = processor.ocr_image_file('path/to/your/image.jpg')

# 获取识别结果
print(f"识别结果: {result['text']}")

支持的文件格式

• PDF文件: .pdf
• 图片文件: .jpg, .jpeg, .png, .bmp, .gif, .tiff, .webp

输出格式

{
    "text": "识别的完整文本内容",
    "page_count": 页数  # 图片文件始终为1
}

使用场景

• 处理扫描版合同、协议等文档
• 提取影印版书籍、报告中的文字
• 处理无法直接复制文字的PDF文件
• 批量处理扫描版PDF文档
• 识别截图、扫描件等图片中的文字
• 处理手写体或印刷体图片文字识别

注意事项

1. OCR识别需要调用硅基流动API，可能会产生费用
2. 识别速度取决于文件页数、图片大小和网络状况
3. 对于复杂的扫描版PDF或图片，识别准确率可能会有所不同
4. 建议使用高清晰度的扫描版PDF或图片以获得更好的识别效果

许可证

MIT License – 详见 LICENSE.txt