Python调用paddleocr编写一个桌面端PDF识别工具

# 安装基础组件
pip install pyqt6 
pip install pyqt6-webengine 
pip install pyqt6-frameless-window 
pip install pyqt6-fluent-widgets -i https://pypi.org/simple/

# 安装 paddleocr
pip install paddleocr

# 安装 paddlepaddle (这里为了避免性能要求高，所以采用cpu 版本) 
# 另外还有性能更好的 gpu 版本 -> https://www.paddlepaddle.org.cn/install/quick
python -m pip install paddlepaddle==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# 安装 pymupdf 用于处理 pdf
pip install pymupdf

python -m pip uninstall paddlepaddle

nvidia-smi

python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

import os
import fitz  # pymupdf
from paddleocr import paddleocr
import time
from datetime import datetime
from prettytable import prettytable
import csv
import traceback
import logging
import json

# 配置日志
logging.basicconfig(
    level=logging.info,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.filehandler("ocr_service.log"),
        logging.streamhandler()
    ]
)
logger = logging.getlogger("ocr_service")

def ocr_pdf_pages(pdf_path: str, page_numbers: list[int], output_dir: str = none):
    """
    使用 paddleocr 对 pdf 文件的指定页面进行 ocr，并将结构化结果统一导出到 csv。

    args:
        pdf_path (str): pdf 文件的路径。
        page_numbers (list[int]): 需要读取的页码列表 (例如 [1, 3, 5])。
        output_dir (str, optional): 输出结果的目录。如果指定，将保存图片、json 和汇总的 csv 文件。
    """
    start_time = time.time()
    start_datetime = datetime.now().strftime("%y-%m-%d %h:%m:%s")
    logger.info(f"开始处理时间: {start_datetime}")

    if not os.path.exists(pdf_path):
        logger.error(f"错误：找不到 pdf 文件 '{pdf_path}'")
        return

    # 初始化 paddleocr 引擎
    logger.info("正在初始化 paddleocr 引擎，这可能需要一些时间...")
    ocr_start_time = time.time()

    ocr = paddleocr(
        # --- 核心功能与模型设置 ---
        lang="ch",                      # 1. 语言：指定为中文模型（'ch' 支持中英文和数字）
        ocr_version="pp-ocrv5",         # 2. 模型版本：使用先进的pp-ocrv5
        use_angle_cls=false,             # 3. 方向矫正：自动检测文字方向并旋转图片

        # device="gpu:0",               # (新版推荐) 这是更现代的写法，指定使用0号gpu
        use_tensorrt=false,              # 5. tensorrt加速：在nvidia gpu上获得极致性能 (需提前安装tensorrt)
        precision='fp16',               # 6. 精度：使用半精度(fp16)，速度更快，显存占用更低 (需要gpu支持)
        
        # --- 性能与设备优化 (cpu用户) ---
        enable_mkldnn=true,             # 7. mkldnn加速：若在cpu上运行，此选项可提升intel cpu的性能
        cpu_threads=6,                  # 8. cpu线程数：在cpu模式下运行时使用的核心数

        # --- 效果微调 ---
        text_rec_score_thresh=0.5,      # 9. 识别阈值：只返回置信度高于 0.5 的识别结果，过滤掉模糊的猜测
    )
    ocr_end_time = time.time()
    logger.info(f"引擎初始化完成。耗时: {ocr_end_time - ocr_start_time:.2f} 秒")

    # 如果指定了输出目录，确保它存在
    if output_dir:
        os.makedirs(output_dir, exist_ok=true)

    # 初始化列表以保存所有页面的数据，用于最后统一导出
    all_csv_rows = []
    csv_header = ['page', 'text', 'score', 'x_min', 'y_min', 'x_max', 'y_max']

    try:
        # 打开 pdf 文件
        doc = fitz.open(pdf_path)

        # 遍历指定的页码
        for page_num in page_numbers:
            page_start_time = time.time()
            # 验证页码是否在有效范围内 (fitz 从 0 开始索引, 用户输入从 1 开始)
            if not (1 <= page_num <= doc.page_count):
                logger.warning(f"警告：页码 {page_num} 超出范围 (总页数: {doc.page_count})。已跳过。")
                continue

            logger.info(f"\n--- 正在处理第 {page_num} 页 ---")

            # 加载页面并转换为高分辨率图像
            page = doc.load_page(page_num - 1)
            pix = page.get_pixmap(dpi=300)
            temp_img_path = f"temp_page_{page_num}.png"
            pix.save(temp_img_path)

            # 进行 ocr 识别
            predict_start_time = time.time()
            result = ocr.predict(input=temp_img_path)
            predict_end_time = time.time()
            logger.info(f"ocr 识别耗时: {predict_end_time - predict_start_time:.2f} 秒")

            # 处理单页的识别结果
            # predict 返回一个列表，对于单个图像，我们只关心第一个元素
            page_result_obj = result[0] if result else none
            
            if page_result_obj:
                # 你原来的代码
                page_result_obj.print()
                page_result_obj.save_to_img("output")
                page_result_obj.save_to_json("output")
                
                # --- 新增代码 ---
                # 1. 使用点号(.)直接获取 rec_texts 属性的值，并存入新变量 all_texts
                all_texts = page_result_obj['rec_texts']
                
                # 2. (可选) 打印这个新变量，验证结果
                print("成功提取的文本内容:", all_texts)
                
                # 现在 all_texts 就是一个列表，包含了所有识别出的文本
                # 你可以对它进行任何操作，比如遍历
                for text_item in all_texts:
                    print(f"识别到的单项文本: {text_item}")
                    
            else:
                logger.info(f"--- 第 {page_num} 页未识别到文本 ---")

            # 删除临时图像文件
            if os.path.exists(temp_img_path):
                os.remove(temp_img_path)

            page_end_time = time.time()
            logger.info(f"第 {page_num} 页处理完成，耗时: {page_end_time - page_start_time:.2f} 秒")

        doc.close()

    except exception as e:
         # 使用 traceback.format_exc() 获取完整的异常栈字符串
        error_stack = traceback.format_exc()
        
        # 将其与您的自定义信息一起打印出来
        logger.error(f"处理 pdf 时发生严重错误:\n{error_stack}")

    # 在所有页面处理完毕后，将收集到的数据写入一个 csv 文件
    if output_dir and all_csv_rows:
        csv_path = os.path.join(output_dir, "structured_ocr_results.csv")
        logger.info(f"\n正在将所有结果汇总到: {csv_path}")
        try:
            with open(csv_path, 'w', newline='', encoding='utf-8-sig') as f:
                writer = csv.writer(f)
                writer.writerow(csv_header)
                writer.writerows(all_csv_rows)
            logger.info(f"✅ 汇总 csv 文件已成功保存！")
        except ioerror as e:
            logger.error(f"❌ 汇总导出 csv 文件失败: {e}")

    end_time = time.time()
    end_datetime = datetime.now().strftime("%y-%m-%d %h:%m:%s")
    total_time = end_time - start_time
    logger.info(f"\n处理结束时间: {end_datetime}")
    logger.info(f"总处理时间: {total_time:.2f} 秒 ({total_time/60:.2f} 分钟)")

def predict(
    self,
    # 待识别的图片，可以是路径、url或图片数据
    input,
    # 是否自动旋转图片方向
    use_doc_orientation_classify=none,
    # 是否自动校正弯曲图片
    use_doc_unwarping=none,
    # 是否自动判断文本行方向
    use_textline_orientation=none,
    
    # 临时修改文本检测模型的最长边限制
    text_det_limit_side_len=none,
    # 临时修改文本检测的最长边限制类型
    text_det_limit_type=none,
    # 临时修改文本检测的二值化阈值
    text_det_thresh=none,
    # 临时修改文本检测的检测框得分阈值
    text_det_box_thresh=none,
    # 临时修改文本检测的文本框扩大比例
    text_det_unclip_ratio=none,
    # 临时修改文本识别的置信度阈值
    text_rec_score_thresh=none,
    
    # 结果保存格式 (txt, json, pdf, pdf_searchable)
    save_format=none,
    # 结果保存路径
    save_path=none,
    # 结果可视化或生成pdf时使用的字体路径
    font_path=none,
):
    # ... 函数的具体实现逻辑 ...
    pass