企业官网建设流程全解析

网站建设白云,怎样在百度上发布信息,修改已经有的网站怎么修改,门户网站建设与推广方案✅ 项目目标 将不可搜索的扫描版 PDF#xff08;图片型#xff09;通过 OCR 技术转换为可全文检索、可复制文字的 PDF 文件#xff0c;同时保留原始排版#xff0c;并支持#xff1a; 中文、英文、符号混合识别竖排文字、旋转文字正确还原GPU 自动加速#xff08;若可用…✅ 项目目标将不可搜索的扫描版 PDF图片型通过 OCR 技术转换为可全文检索、可复制文字的 PDF 文件同时保留原始排版并支持中文、英文、符号混合识别竖排文字、旋转文字正确还原GPU 自动加速若可用多核 CPU 并行处理提升效率输出 PDF 体积小、兼容性好 所需依赖pipinstallpaddleocr PyMuPDF Pillow reportlab tqdm注意paddleocr会自动安装paddlepaddle。若要启用 GPU请确保已安装 CUDA 并使用paddlepaddle-gpu。 目录结构准备在项目根目录下创建以下文件夹和文件your_project/ ├── ocr_pdf_gpu_multicore.py ← 主脚本本文核心 ├── input_pdfs/ ← 放入待处理的 PDF ├── output_pdfs/ ← 输出结果 ├── pdf_pages/ ← 临时文件自动创建 └── fonts/ └── PingFang-SC-Regular.ttf ← 中文字体可替换为思源黑体等 字体建议使用支持中文的 TTF 字体如 PingFang、Microsoft YaHei、Noto Sans CJK。若缺失程序会降级使用 Helvetica。 核心配置说明脚本开头INPUT_DIR./input_pdfs# 输入 PDF 文件夹OUTPUT_DIR./output_pdfs# 输出 PDF 文件夹TEMP_ROOT./pdf_pages# 临时图片/PDF 存放目录FONT_PATH_CN./fonts/PingFang-SC-Regular.ttfMAX_WORKERS4# 多进程数量建议 ≤ CPU 核心数DPI300# 渲染精度越高越清晰但更慢KEEP_TEMPFalse# 是否保留临时文件调试时可设为 True 技术亮点解析1️⃣GPU 自动检测defget_device():try:importpaddleifpaddle.is_compiled_with_cuda()andpaddle.device.cuda.device_count()0:print(检测到 GPU使用 GPU 加速)returngpuexcept:passprint(使用 CPU)returncpu自动判断是否可用 GPU无需手动切换。实测RTX 4060 上 OCR 速度提升 3~5 倍。2️⃣PaddleOCR 高精度模型ocrPaddleOCR(text_detection_model_namePP-OCRv5_server_det,text_recognition_model_namePP-OCRv5_server_rec,deviceDEVICE)使用PP-OCRv5 服务端模型对模糊、倾斜、低分辨率图像鲁棒性强。支持竖排、弯曲、旋转文字检测。3️⃣多进程并行处理每一页将 PDF 拆分为 PNG 图片fitz渲染DPI300使用ProcessPoolExecutor同时处理多页每页独立生成带隐藏 OCR 文字的 PDF 页最后合并为完整 PDF⚡ 性能对比100页 PDFi7-13700H RTX 4060单进程约 8 分钟4 进程 GPU约 1.5 分钟4️⃣智能文字排版还原✅ 普通横排文字自动计算字体大小、字符间距文字透明setFillAlpha(0)仅用于搜索不遮挡原图✅ 竖排/旋转文字defdraw_rotated_or_vertical_text(c,img_height,box,text,base_font_size12):# 判断是否为竖排75°~105°或斜排# 使用 canvas.rotate() 精准还原方向# 竖排时逐字绘制保持阅读顺序完美支持古籍、日文、工程图纸等场景▶️ 使用步骤将待处理 PDF 放入./input_pdfs/确保中文字体存在或修改FONT_PATH_CN运行脚本python ocr_pdf_gpu_multicore.py选择 PDF 序号如输入1等待处理完成结果在./output_pdfs/xxx_ocr.pdf✅ 输出 PDF 特性可 CtrlF 搜索任意文字可复制粘贴内容原始图像完全保留文件体积压缩garbage4, deflateTrue️ 常见问题解决❌ “字体文件未找到”下载 PingFang SC 或 思源黑体修改FONT_PATH_CN路径❌ “CUDA error” 或 GPU 未启用确认已安装paddlepaddle-gpupip uninstall paddlepaddle pipinstallpaddlepaddle-gpu -f https://www.paddlepaddle.org.cn/whl/stable.html❌ 处理大文件内存不足降低DPI如 200减少MAX_WORKERS如 2 许可与扩展本脚本基于 MIT 协议可自由修改商用可扩展功能批量处理所有 PDF取消用户选择添加日志记录支持 PDF 密码解密fitz.open(password...) 结语通过PaddleOCR ReportLab PyMuPDF 多进程的组合我们实现了高性能、高精度的 PDF OCR 解决方案。无论是学术论文、历史档案还是工程图纸都能一键转为可搜索格式GitHub 示例项目欢迎 Starhttps://github.com/mlb0925/PaddleOCR_PDF觉得有用点赞 关注获取更多自动化办公技巧