back
loading skill details...
支持双引擎的PDF OCR识别技能,可从影印版PDF文件和图片文件中提取文字内容
---
name: pdf-ocr
description: 支持双引擎的PDF OCR识别技能,可从影印版PDF文件和图片文件中提取文字内容
version: 2.1.0
author: PDF OCR Skill Team
license: MIT
tags:
- ocr
- pdf
- image
- text-extraction
- chinese
- english
- siliconflow
- deepseek
- rapidocr
- local-ocr
---
# 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。该技能支持两种OCR引擎:
- **RapidOCR**(本地引擎):无需API密钥,免费使用,识别速度快
- **硅基流动大模型**(云端引擎):使用AI大模型进行高精度OCR识别
## 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)
- **双引擎支持**:RapidOCR(本地)和硅基流动API(云端)
- 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
- 智能引擎切换:当RapidOCR初始化失败时自动切换到硅基流动API
## 安装
### 依赖要求
```bash
pip install pymupdf pillow requests python-dotenv
```
### 可选依赖(推荐)
安装RapidOCR以获得本地识别能力:
```bash
pip install rapidocr_onnxruntime
```
## 环境变量配置
1. 复制 `.env.example` 文件并重命名为 `.env`
2. 根据需要配置以下选项:
```env
# OCR引擎选择
# - "rapid": 使用RapidOCR本地引擎(默认,无需API密钥)
# - "siliconflow": 使用硅基流动API引擎(需要API密钥)
OCR_ENGINE=rapid
# 如果使用硅基流动API引擎,需要配置以下选项:
SILICON_FLOW_API_KEY=your_api_key_here
SILICON_FLOW_OCR_MODEL=deepseek-ai/DeepSeek-OCR
```
## 快速开始
### 使用默认引擎(RapidOCR本地识别)
```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor
# 创建处理器实例(默认使用RapidOCR)
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(f"使用引擎: {result['engine']}")
print(result['text'])
```
### 使用硅基流动API引擎
```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor
# 创建处理器实例,指定使用硅基流动API
processor = PDFOCRProcessor(engine="siliconflow")
# 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
```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor
# 创建处理器实例
processor = PDFOCRProcessor() # 或 PDFOCRProcessor(engine="siliconflow")
# 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']}")
```
### 命令行使用
```bash
# 使用默认RapidOCR引擎
python pdf_ocr_processor.py your_document.pdf
# 使用硅基流动API引擎
python pdf_ocr_processor.py your_document.pdf siliconflow
```
## 进阶使用示例
### 批量处理多个PDF文件
```python
import os
from pdf_ocr_processor import PDFOCRProcessor
# 创建处理器实例
processor = PDFOCRProcessor()
# 批量处理目录中的所有PDF文件
pdf_dir = "path/to/pdf/files"
output_dir = "path/to/output"
os.makedirs(output_dir, exist_ok=True)
for pdf_file in os.listdir(pdf_dir):
if pdf_file.endswith('.pdf'):
pdf_path = os.path.join(pdf_dir, pdf_file)
output_path = os.path.join(output_dir, f"{os.path.splitext(pdf_file)[0]}.txt")
print(f"处理文件: {pdf_file}")
try:
result = processor.ocr_pdf(pdf_path)
# 保存识别结果到文本文件
with open(output_path, 'w', encoding='utf-8') as f:
f.write(f"=== PDF OCR 识别结果 ===\n")
f.write(f"文件名: {pdf_file}\n")
f.write(f"页数: {result['page_count']}\n")
f.write(f"使用引擎: {result['engine']}\n\n")
f.write(result['text'])
print(f"处理完成,结果已保存到: {output_path}")
except Exception as e:
print(f"处理失败: {e}")
```
### 混合使用两种引擎
```python
from pdf_ocr_processor import PDFOCRProcessor
def process_with_best_engine(pdf_path):
"""尝试使用RapidOCR,如果效果不佳则使用硅基流动API"""
# 首先使用RapidOCR本地引擎
rapid_processor = PDFOCRProcessor(engine="rapid")
rapid_result = rapid_processor.ocr_pdf(pdf_path)
# 简单评估识别效果(例如:检查识别出的文本长度)
text_length = len(rapid_result['text'])
if text_length < 100: # 如果识别出的文本太短,可能效果不佳
print("RapidOCR识别效果可能不佳,尝试使用硅基流动API...")
silicon_processor = PDFOCRProcessor(engine="siliconflow")
silicon_result = silicon_processor.ocr_pdf(pdf_path)
return silicon_result
else:
return rapid_result
# 使用示例
result = process_with_best_engine('path/to/your/document.pdf')
print(f"识别完成,使用引擎: {result['engine']}")
print(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
```python
{
"text": "识别的完整文本内容",
"page_count": 页数, # 图片文件始终为1
"engine": "rapid" | "siliconflow" # 使用的OCR引擎
}
```
## 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. **RapidOCR引擎**:
- 完全免费,无需网络连接
- 首次使用会自动下载模型文件
- 识别速度取决于CPU性能
2. **硅基流动API引擎**:
- 需要有效的API密钥
- 可能会产生费用
- 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
## 触发使用不同引擎的提示词
在与 AI IDE 中的助手交互时,您可以使用以下提示词来指定使用不同的 OCR 引擎:
### 📍 触发 RapidOCR(本地引擎)的提示词
- "使用本地 OCR 引擎处理这个 PDF"
- "用 RapidOCR 识别这个文件"
- "本地处理,不需要 API"
- "快速识别这个文档"
- "离线处理这个 PDF"
- "不使用硅基流动 API,用本地引擎"
### 📍 触发硅基流动 API(云端引擎)的提示词
- "使用硅基流动 API 处理这个 PDF"
- "用大模型 OCR 识别这个文件"
- "高精度识别这个文档"
- "处理复杂的扫描件"
- "用云端 OCR 引擎"
- "使用 AI 大模型识别"
### 📍 示例对话
**示例 1:使用本地引擎**
```
用户:帮我处理这个扫描版 PDF,用本地 OCR 引擎快速识别
助手:好的,我将使用 RapidOCR 本地引擎为您处理。请提供 PDF 文件路径。
```
**示例 2:使用云端引擎**
```
用户:这个 PDF 包含手写体,需要高精度识别,用硅基流动 API
助手:理解,我将使用硅基流动 API 大模型为您处理。请提供 PDF 文件路径和您的 API 密钥(如果尚未配置)。
```
**示例 3:自动选择**
```
用户:帮我识别这个 PDF,选择最合适的引擎
助手:我将默认使用 RapidOCR 本地引擎为您处理。如果识别效果不理想,我们可以尝试使用硅基流动 API。
```
### 🔧 技术实现
当 AI 助手接收到这些提示词时,会:
1. 解析用户意图,确定要使用的引擎
2. 调用 PDFOCRProcessor(engine="rapid") 或 PDFOCRProcessor(engine="siliconflow")
3. 执行 OCR 识别并返回结果
### 🎯 最佳实践
- **明确指定引擎**:如果您对引擎有特定要求,最好在提示词中明确说明
- **提供上下文**:说明文档类型(如手写体、复杂格式等)有助于助手选择合适的引擎
- **测试不同引擎**:对于重要文档,可以尝试两种引擎并比较结果
通过使用这些提示词,您可以在与 AI IDE 交互时灵活控制 OCR 引擎的选择,获得最佳的识别效果
## 故障排除
### 常见问题及解决方案
1. **RapidOCR初始化失败**
- 问题:`ModuleNotFoundError: No module named 'rapidocr_onnxruntime'`
- 解决方案:安装RapidOCR依赖:`pip install rapidocr_onnxruntime`
2. **硅基流动API 401错误**
- 问题:`Unauthorized: 401 Client Error`
- 解决方案:检查API密钥是否正确配置在`.env`文件中
3. **PDF转图片失败**
- 问题:`ImportError: No module named 'fitz'`
- 解决方案:安装PyMuPDF依赖:`pip install pymupdf`
4. **识别结果为空**
- 问题:识别结果文本长度为0
- 解决方案:
- 检查PDF是否为扫描版(非文本PDF)
- 尝试使用硅基流动API引擎
- 确保PDF或图片清晰可读
## 许可证
MIT License - 详见 [LICENSE.txt](LICENSE.txt)
don't have the plugin yet? install it then click "run inline in claude" again.