SKILL.md
3.2 KB查看排版效果| 1 | --- |
| 2 | name: pdf-ocr-md |
| 3 | version: 3.4.0 |
| 4 | description: 当用户需要从 PDF、图片、扫描件中提取文字内容时使用。适合处理合同、发票、报告等文档，尤其是中文扫描件、手机拍照的弯曲页面、歪斜的文档。支持 PP-OCRv6 三档模型 (Tiny/Small/Medium)。 |
| 5 | related_skills: |
| 6 | - ocr-and-documents |
| 7 | --- |
| 8 | |
| 9 | # pdf-ocr-md — PDF → OCR → 结构化 Markdown [v3.4.0] |
| 10 | |
| 11 | > v3.4.0：SKILL.md 精简至 ~120 行（原 578 行），详细教程移至 references/，按需加载。对标 OpenAI 上下文压缩策略。 |
| 12 | |
| 13 | ## 环境 |
| 14 | |
| 15 | | 工具 | 用途 | 虚拟环境 | |
| 16 | |------|------|---------| |
| 17 | | `lit` | 文本层 PDF 快速解析（Rust，~0.9ms/页） | `~/.venvs/liteparse/` | |
| 18 | | `ocr6` | PP-OCRv6 三档 OCR | `~/.venvs/ppocrv6/` | |
| 19 | | `pdf2md` | PaddleOCR 中文扫描件（旧版 v4） | `~/.venvs/paddleocr/` | |
| 20 | | `prep` | 文档预处理（倾斜/方向/展平） | (同 ocr6) | |
| 21 | |
| 22 | ## 快速选择（必读） |
| 23 | |
| 24 | ```bash |
| 25 | # ① 先试 LiteParse（文本层 PDF 秒出） |
| 26 | lit parse input.pdf --no-ocr -o output.txt |
| 27 | |
| 28 | # ② 空结果 = 扫描件，按需选模型档位 |
| 29 | # tiny(1.5MB 极速) | small(7.7MB 均衡) | medium(34.5MB 高精度) |
| 30 | python scripts/pdf_ocr_v6.py input.pdf --tier small -o ./output |
| 31 | |
| 32 | # ③ 低质量文档先预处理（deskew倾斜/orient方向/unwarp展平/--all全部） |
| 33 | python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all |
| 34 | python scripts/pdf_ocr_v6.py ./preprocessed/input_p001.jpg --tier medium -o ./output |
| 35 | ``` |
| 36 | |
| 37 | ## 工作流 |
| 38 | |
| 39 | ``` |
| 40 | 输入文档 |
| 41 | ├── 有文本层 → lit parse --no-ocr（0.9ms/页） |
| 42 | └── 扫描件 → 先预处理(倾斜/方向/展平) → ocr6(tiny|small|medium) |
| 43 | ``` |
| 44 | |
| 45 | ## 性能速查 |
| 46 | |
| 47 | | 类型 | 引擎 | 单页 | 17 页合同 | |
| 48 | |------|------|------|----------| |
| 49 | | 文本层 PDF | LiteParse | ~0.9ms | ~15ms | |
| 50 | | 扫描件(极速) | PP-OCRv6 Tiny | ~3-8s | ~1-2min | |
| 51 | | 扫描件(均衡) | PP-OCRv6 Small | ~8-15s | ~2-4min | |
| 52 | | 扫描件(高精度) | PP-OCRv6 Medium | ~15-30s | ~4-8min | |
| 53 | | 中文旧版 | PaddleOCR v4 | ~15s | ~4.5min | |
| 54 | |
| 55 | > 准确率：PP-OCRv6 ~97%+，预处理后 ~98%+。公章/签名场景必须用 PaddleOCR（Tesseract 会乱码）。 |
| 56 | |
| 57 | ## 按需加载的参考文档 |
| 58 | |
| 59 | 所有详细教程已移至 references/，需要时读取： |
| 60 | |
| 61 | | 场景 | 参考文件 | |
| 62 | |------|---------| |
| 63 | | LiteParse 完整用法（Rust CLI/截图/批量） | `references/liteparse-usage.md` | |
| 64 | | PaddleOCR 旧版（v4，Python 3.13 兼容修复） | `references/paddleocr.md` + `references/paddleocr-py313-compat.md` | |
| 65 | | 文档预处理详解（倾斜/方向/展平/效果预测） | `references/pdf-preprocessing.md` | |
| 66 | | 结构化解析（版面分析+表格提取+JSON） | `references/structured-parsing.md` | |
| 67 | | PP-OCRv6 完整指南（模型选择/GPU加速/迁移） | `references/ppocrv6-guide.md` | |
| 68 | | 完整原版 SKILL.md（v3.3.0 全部内容） | `references/full-guide.md` | |
| 69 | | OpenDataLoader（纯 Java，已不推荐） | `references/opendataloader.md` | |
| 70 | |
| 71 | ## 注意事项 |
| 72 | |
| 73 | - 首次运行自动下载模型（~17MB，从 hf-mirror/modelscope 国内镜像） |
| 74 | - 机器 3.6GB 内存，PaddleOCR 冷启动 ~300MB 峰值可承受 |
| 75 | - 预处理对平整扫描件效果不明显，对手机拍照/弯曲文档提升 1~5% |
文件内容是平台检查时读出的文本，只供查看。平台不会运行包里的任何脚本或程序。
