limour-blog.github.io/source/_posts/2023-04-11-【迁移】基于PaddleOCR的PDF转WORD.md

---

title: 【迁移】基于PaddleOCR的PDF转WORD urlname: -ji-yu-PaddleOCR-de-PDF-zhuan-WORD date: 2023-04-11 20:14:18

tags: ['PaddleOCR', 'PDF', 'WORD']

PP-Structure是PaddleOCR团队自研的智能文档分析系统，旨在帮助开发者更好的完成版面分析、表格识别等文档理解相关任务。 PP-Structurev2的主要特性如下：

• 支持对图片/pdf形式的文档进行版面分析，可以划分文字、标题、表格、图片、公式等区域；
• 支持通用的中英文表格检测任务；
• 支持表格区域进行结构化识别，最终结果输出Excel文件；
• 支持基于多模态的关键信息抽取(Key Information Extraction，KIE)任务-语义实体识别(Semantic Entity Recognition，SER)和关系抽取(Relation Extraction，RE)；
• 支持版面复原，即恢复为与原始图像布局一致的word或者pdf格式的文件；
• 支持自定义训练及python whl包调用等多种推理部署方式，简单易用；

• 与半自动数据标注工具PPOCRLabel打通，支持版面分析、表格识别、SER三种任务的标注。

  安装PaddleOCR

  conda create -n PP -c conda-forge python=3.8
  conda activate PP
  conda info --env
  （二选一 GPU）conda install paddlepaddle-gpu==2.4.2 cudatoolkit=11.6 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge
  （二选一 CPU）python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
  使用 python 进入 python 解释器，输入import paddle ，再输入paddle.utils.run_check()
  python -m pip install "paddleocr>=2.6" -i https://mirror.baidu.com/pypi/simple
  Invoke-WebRequest -Uri "https://ghproxy.com/https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.6/ppstructure/recovery/requirements.txt" -OutFile "requirements.txt"
  python -m pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple
  

• python -m pip install "PyMuPDF==1.18.7" -i https://mirror.baidu.com/pypi/simple （解决Issue#877）

  PDF转WORD

• 准备一份没有嵌字，纯扫描件的UnrealText.pdf

• paddleocr --image_dir=UnrealText.pdf --type=structure --recovery=true

• 效果比直接用Acrobat好一点

• 如果是简短的一段文字，还是直接用Umi-OCR识别图片方便一点（基于PaddleOCR）

• 等Microsoft 365 Copilot正式出来后，对paddleocr重建的docx进行智能纠错和格式美化应该效果会好一点。