简介

本仓库依托于RapidOCR仓库，快速提取PDF中文字，包括扫描版PDF、加密版PDF、可直接复制文字版PDF。

整体流程

flowchart LR

A(PDF) --> B{是否可以直接提取内容} --是--> C(PyMuPDF)
B --否--> D(RapidOCR)

C & D --> E(结果)

安装

pip install rapidocr_pdf

使用

脚本使用

⚠️注意：在rapidocr_pdf>=0.4.0中，支持page_num_list参数为负数，假设总页数为2，范围为[-2, 1]。

⚠️注意：在rapidocr_pdf>=0.3.0中，支持了page_num_list参数，默认为None，全部提取。如果指定，页码从0开始。

⚠️注意：在rapidocr_pdf>=0.2.0中，已经适配rapidocr>=2.0.0版本，可以通过参数来使用不同OCR推理引擎来提速。 下面的ocr_params为示例参数，详细请参见RapidOCR官方文档：docs 。

from rapidocr_pdf import RapidOCRPDF

pdf_extracter = RapidOCRPDF(ocr_params={"Global.with_torch": True})

pdf_path = "tests/test_files/direct_and_image.pdf"

# page_num_list=[1]: 仅提取第2页
texts = pdf_extracter(pdf_path, force_ocr=False, page_num_list=[1])
print(texts)

命令行使用

$ rapidocr_pdf -h
usage: rapidocr_pdf [-h] [--dpi DPI] [-f] [--page_num_list [PAGE_NUM_LIST ...]] pdf_path

positional arguments:
  pdf_path

options:
  -h, --help            show this help message and exit
  --dpi DPI
  -f, --force_ocr       Whether to use ocr for all pages.
  --page_num_list [PAGE_NUM_LIST ...]
                        Which pages will be extracted. e.g. 0 1 2.

$ rapidocr_pdf tests/test_files/direct_and_image.pdf --page_num_list 0 1

输入输出说明

输入：Union[str, Path, bytes]

输出：List [页码, 文本内容, 置信度]， 具体参见下例：

[
    [0, '人之初，性本善。性相近，习相远。', 0.8969868],
    [1, 'Men at their birth, are naturally good.', 0.8969868],
]