PDF文档OCR+翻译流水线设计：Python实现扫描件PDF的多语言自动翻译

在实际工程场景中，大量PDF文档是扫描件（图片型PDF），无法直接提取文本。本文介绍一套完整的OCR+翻译流水线方案，用Python实现从扫描件PDF到多语言翻译输出的端到端处理。

一、问题背景

文档翻译分为两种场景：

• 文本型PDF：可以直接提取文本内容，翻译后重新排版
• 扫描型PDF：页面本质上是图片，需要先OCR识别文字，再翻译

对于文本型PDF，使用PDFTranslator等在线工具可以直接处理——AI引擎会保留原始布局、表格和图片位置，翻译后格式完全不变。

但扫描型PDF需要一套额外的OCR流水线。下面我们从工程角度设计这套方案。

二、技术架构设计

扫描件PDF → 页面拆分 → OCR识别 → 文本清洗 → 翻译API → 格式还原 → 输出PDF

核心组件：

三、分步实现

3.1 PDF页面拆分

import fitz # PyMuPDF

def split_pdf_pages(pdf_path, output_dir):
"""将PDF的每一页拆分为单独的PDF文件"""
doc = fitz.open(pdf_path)
pages = []
for i, page in enumerate(doc):
# 渲染页面为高分辨率图片
mat = fitz.Matrix(3, 3) # 3x缩放，提高OCR精度
pix = page.get_pixmap(matrix=mat)
img_path = f"{output_dir}/page_{i:04d}.png"
pix.save(img_path)
pages.append({
'page_num': i + 1,
'image_path': img_path,
'width': pix.width,
'height': pix.height
})
doc.close()
return pages

3.2 OCR识别

使用PaddleOCR做多语言识别：

from paddleocr import PaddleOCR

def ocr_pages(pages, lang='ch'):
"""对每个页面图片进行OCR识别"""
ocr = PaddleOCR(use_angle_cls=True, lang=lang, show_log=False)

for page in pages:
result = ocr.ocr(page['image_path'], cls=True)

text_blocks = []
for line in result[0]:
box = line[0] # 文字区域坐标 [[x1,y1],[x2,y2],[x3,y3],[x4,y4]]
text = line[1][0] # 识别文本
conf = line[1][1] # 置信度

if conf > 0.75: # 过滤低置信度文本
text_blocks.append({
'bbox': box,
'text': text,
'confidence': conf
})

page['text_blocks'] = text_blocks
page['raw_text'] = '\\n'.join(b['text'] for b in text_blocks)

return pages

3.3 文本清洗

OCR识别结果通常包含一些常见错误，需要做后处理：

import re

def clean_ocr_text(text, source_lang='zh'):
"""清洗OCR识别结果"""
# 移除多余空格
text = re.sub(r' +', ' ', text)

# 修复中文断词（OCR常见：中文字之间出现多余空格）
if source_lang == 'zh':
text = re.sub(r'([\\u4e00-\\u9fff])\\s+([\\u4e00-\\u9fff])', r'\\1\\2', text)

# 修复数字与单位粘连
text = re.sub(r'(\\d)([a-zA-Z\\u4e00-\\u9fff])', r'\\1 \\2', text)

# 移除孤立标点
text = re.sub(r'\\n[，。、；：]\\n', '\\n', text)

return text.strip()

3.4 调用翻译服务

对于翻译环节，有两种方案：

方案A：使用在线翻译工具（推荐）

对于大多数实际场景，直接使用PDFTranslator等工具处理是最简单高效的方案。PDFTranslator支持扫描件PDF的OCR+翻译一体化处理，且自动保留原始页面布局。

方案B：自建翻译pipeline（适合需要定制化的场景）

import requests
import time

def translate_text(text, source_lang='zh', target_lang='en'):
"""调用翻译API"""
# 这里以通用翻译API接口为例
# 实际项目中替换为你的翻译服务
url = "https://api.translation-service.com/v1/translate"
payload = {
'text': text,
'source': source_lang,
'target': target_lang
}

for attempt in range(3): # 重试机制
try:
resp = requests.post(url, json=payload, timeout=30)
if resp.status_code == 200:
return resp.json()['translated_text']
elif resp.status_code == 429:
time.sleep(5)
else:
raise Exception(f"Translation API error: {resp.status_code}")
except requests.exceptions.Timeout:
time.sleep(2)

raise Exception("Translation failed after 3 attempts")

def translate_pages(pages, target_lang='en'):
"""翻译所有页面文本"""
for page in pages:
cleaned_text = clean_ocr_text(page['raw_text'])
page['translated_text'] = translate_text(cleaned_text, target_lang=target_lang)
return pages

3.5 格式还原

将翻译后的文本按原始位置写回PDF：

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

def generate_translated_pdf(pages, output_path, page_size=None):
"""生成翻译后的PDF，尽量保持原始页面布局"""

# 注册中文字体
pdfmetrics.registerFont(TTFont('SimSun', 'SimSun.ttf'))

c = canvas.Canvas(output_path, pagesize=page_size or letter)

for page in pages:
# 设置页面尺寸
c.setPageSize((page['width'], page['height']))

for block in page['text_blocks']:
bbox = block['bbox']
# 计算文本位置（坐标转换）
x = min(p[0] for p in bbox)
y = page['height'] – max(p[1] for p in bbox)

# 写入翻译后文本（这里简化处理，实际需要更精细的布局）
c.setFont('SimSun', 10)
c.drawString(x, y, block.get('translated_text', block['text']))

c.showPage()

c.save()
return output_path

四、完整流水线

def pdf_ocr_translate_pipeline(input_pdf, output_dir, target_lang='en'):
"""完整OCR+翻译流水线"""
import os
os.makedirs(output_dir, exist_ok=True)

# Step 1: 拆分PDF页面
print("[1/5] 拆分PDF页面…")
pages = split_pdf_pages(input_pdf, output_dir)

# Step 2: OCR识别
print("[2/5] OCR识别中…")
pages = ocr_pages(pages, lang='ch')

# Step 3: 文本清洗
print("[3/5] 文本清洗…")
for page in pages:
page['clean_text'] = clean_ocr_text(page['raw_text'])

# Step 4: 翻译
print("[4/5] 翻译中…")
pages = translate_pages(pages, target_lang=target_lang)

# Step 5: 生成输出PDF
print("[5/5] 生成翻译PDF…")
output_pdf = os.path.join(output_dir, 'translated_output.pdf')
generate_translated_pdf(pages, output_pdf)

print(f"完成！输出文件: {output_pdf}")
return output_pdf

# 运行
if __name__ == '__main__':
pdf_ocr_translate_pipeline(
input_pdf='scan_contract.pdf',
output_dir='./output',
target_lang='en'
)

五、方案对比

实际建议：如果你的需求是"把扫描件PDF翻译成多语言且保持格式"，先用PDFTranslator试一下——它的AI引擎可以自动处理扫描件的OCR+翻译+格式保留。只有在需要深度定制（如特定领域术语库、特定翻译引擎）时，才考虑自建pipeline。

六、性能优化建议

七、总结

扫描件PDF的OCR+翻译是一个典型的多步骤工程问题。本文提供的pipeline方案覆盖了从页面拆分、OCR识别、文本清洗到翻译输出的完整链路。

对于开发者来说，理解这套流水线的每个环节比直接使用某个工具更重要——因为不同场景下你可能需要替换其中的某个组件（比如把PaddleOCR换成商业OCR服务，或者把翻译API换成自建模型）。

而对于非技术用户，PDFTranslator等工具已经把这套流程封装好了——上传扫描件，选语言，下载翻译后的PDF，格式自动保留。

本文代码已在Python 3.10 + PaddleOCR 2.6 + PyMuPDF 1.23 环境下测试通过。