✅ 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
pip install paddleocr 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.ttf"
MAX_WORKERS = 4 # 多进程数量（建议 ≤ CPU 核心数）
DPI = 300 # 渲染精度（越高越清晰，但更慢）
KEEP_TEMP = False # 是否保留临时文件（调试时可设为 True）
🌟 技术亮点解析
1️⃣ GPU 自动检测
def get_device():
try:
import paddle
if paddle.is_compiled_with_cuda() and paddle.device.cuda.device_count() > 0:
print("检测到 GPU，使用 GPU 加速")
return "gpu"
except:
pass
print("使用 CPU")
return "cpu"
- 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。
2️⃣ PaddleOCR 高精度模型
ocr = PaddleOCR(
text_detection_model_name="PP-OCRv5_server_det",
text_recognition_model_name="PP-OCRv5_server_rec",
device=DEVICE
)
- 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，DPI=300）
- 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 PDF，i7-13700H + 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
def draw_rotated_or_vertical_text(c, img_height, box, text, base_font_size=12):
# 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
✅ 输出 PDF 特性：
- 可 Ctrl+F 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（garbage=4, deflate=True）
🛠️ 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-gpu：pip uninstall paddlepaddle
pip install paddlepaddle-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 Star！https://github.com/mlb0925/PaddleOCR_PDF
觉得有用？点赞 + 关注，获取更多自动化办公技巧！ 👍
