paddle-ocr-pdf

A python script which employs PaddleOCR to add a hidden text layer to picture pdfs.

利用PaddleOCR对图像PDF进行OCR，相较于OCRmyPDF，不会在中文间乱加空格。

安装方法

安装paddlepaddle

具体参见https://paddlepaddle.github.io/PaddleOCR/latest/quick_start.html，尤其是拥有GPU的用户。

python -m pip install paddlepaddle==3.0.0rc1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

安装paddleocr

pip install paddleocr

安装PyMuPDF

pip install PyMuPDF

运行

基本用法

三个脚本（pocr.py、pocr-pixmap.py 和 pocr-inplace.py）均可为图像型 PDF 添加隐藏但可复制的文本层，以下是通用命令格式：

python <script_name> input.pdf output.pdf

将 script_name 替换为具体脚本名，input.pdf 为输入的图像型 PDF 文件，output.pdf 为处理后的输出文件。

命令行参数说明

• -p 或 --pure：生成只包含文本层的纯文本 PDF 文件，文件名以 -pure.pdf 结尾。

python script_name.py -p input.pdf output.pdf

• -c 或 --cv：处理过程中显示提取的图像。

python script_name.py -c input.pdf output.pdf

• -n 或 --no-ocr（仅 pocr-pixmap.py 和 pocr-inplace.py 支持）：跳过 OCR 处理。

python script_name.py -n input.pdf output.pdf

• -l 或 --lang：指定 OCR 识别语言，默认为 ch。

python script_name.py -l eng input.pdf output.pdf