🧪 Skills
Pdf Ocr
PDF扫描件转Word文档。支持中文OCR识别，自动裁掉页眉页脚，保留插图，彩色章节封面页保留为图片。使用百度OCR API（免费额度1000次/月）。当用户要求
v1.0.0
Description
name: pdf-ocr description: PDF扫描件转Word文档。支持中文OCR识别，自动裁掉页眉页脚，保留插图，彩色章节封面页保留为图片。使用百度OCR API（免费额度1000次/月）。当用户要求把扫描PDF转成文字/Word时触发。
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
pip install pymupdf python-docx pillow
使用方法
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：
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
Reviews (0)
Sign in to write a review.
No reviews yet. Be the first to review!
Comments (0)
No comments yet. Be the first to share your thoughts!