PDF识别提取专家

pdf-ocr-md — PDF → OCR → 结构化 Markdown [v3.4.0]#

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。

环境#

工具	用途	虚拟环境
lit	文本层 PDF 快速解析（Rust，~0.9ms/页）	~/.venvs/liteparse/
ocr6	PP-OCRv6 三档 OCR	~/.venvs/ppocrv6/
pdf2md	PaddleOCR 中文扫描件（旧版 v4）	~/.venvs/paddleocr/
prep	文档预处理（倾斜/方向/展平）	(同 ocr6)

快速选择（必读）#

# ① 先试 LiteParse（文本层 PDF 秒出）

lit parse input.pdf --no-ocr -o output.txt



# ② 空结果 = 扫描件，按需选模型档位

#    tiny(1.5MB 极速) | small(7.7MB 均衡) | medium(34.5MB 高精度)

python scripts/pdf_ocr_v6.py input.pdf --tier small -o ./output



# ③ 低质量文档先预处理（deskew倾斜/orient方向/unwarp展平/--all全部）

python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all

python scripts/pdf_ocr_v6.py ./preprocessed/input_p001.jpg --tier medium -o ./output

工作流#

输入文档
  ├── 有文本层 → lit parse --no-ocr（0.9ms/页）
  └── 扫描件 → 先预处理(倾斜/方向/展平) → ocr6(tiny|small|medium)

性能速查#

类型	引擎	单页	17 页合同
文本层 PDF	LiteParse	~0.9ms	~15ms
扫描件(极速)	PP-OCRv6 Tiny	~3-8s	~1-2min
扫描件(均衡)	PP-OCRv6 Small	~8-15s	~2-4min
扫描件(高精度)	PP-OCRv6 Medium	~15-30s	~4-8min
中文旧版	PaddleOCR v4	~15s	~4.5min

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）。

按需加载的参考文档#

所有详细教程已移至 references/，需要时读取：

场景	参考文件
LiteParse 完整用法（Rust CLI/截图/批量）	references/liteparse-usage.md
PaddleOCR 旧版（v4，Python 3.13 兼容修复）	references/paddleocr.md + references/paddleocr-py313-compat.md
文档预处理详解（倾斜/方向/展平/效果预测）	references/pdf-preprocessing.md
结构化解析（版面分析+表格提取+JSON）	references/structured-parsing.md
PP-OCRv6 完整指南（模型选择/GPU加速/迁移）	references/ppocrv6-guide.md
完整原版 SKILL.md（v3.3.0 全部内容）	references/full-guide.md
OpenDataLoader（纯 Java，已不推荐）	references/opendataloader.md

注意事项#

• 首次运行自动下载模型（~17MB，从 hf-mirror/modelscope 国内镜像）
• 机器 3.6GB 内存，PaddleOCR 冷启动 ~300MB 峰值可承受
• 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%