PDF识别提取专家

Pdf Preprocessing#

来源: pdf-ocr-md v3.3.0 SKILL.md | 从主文件拆分，保持原内容不变

D：文档预处理 — 扫描件 OCR 增强#

适用于质量不佳的扫描件（手机拍照、弯曲书页、倾斜/倒置的文档）。 预处理后 PaddleOCR 的中文准确率可从 ~97% 提升到 ~98%+。

安装#

pip install opencv-python-headless numpy Pillow pdf2image

CLI 命令#

# 全部预处理（推荐）

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



# 仅倾斜校正

python scripts/pdf_preprocess.py input.jpg -o ./output --deskew



# 仅方向校正

python scripts/pdf_preprocess.py input.jpg -o ./output --orient



# 仅文档展平（弯曲/透视照片）

python scripts/pdf_preprocess.py input.jpg -o ./output --unwarp



# PDF 全页 + 高DPI

python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all --dpi 400



# 预览模式（显示对比图，不保存）

python scripts/pdf_preprocess.py input.jpg --preview --all

预处理项说明#

预处理	CLI 参数	适用场景	效果
倾斜校正 (deskew)	--deskew	扫描件轻微歪斜 (<15°)	自动检测角度并旋转正位
方向校正 (orient)	--orient	页面旋转/倒置	检测文本方向并自动旋转到正位
文档展平 (unwarp)	--unwarp	手机拍的弯曲/透视变形的文档	自动检测边界, 透视变换展平

工作流集成#

# 完整管线: 预处理 → pdf2md

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

pdf2md ./preprocessed/input_p001.jpg -o ./output_dir



# 对于平整扫描件, 预处理效果不大, 可跳过

pdf2md input.pdf -o ./output_dir

预处理效果预测#

文档类型	建议	预期提升
平整扫描件 (A4 扫描仪)	跳过预处理	OCR 已很好, 无明显提升
轻微歪斜 (< 15°)	--deskew	准确率 +1~2%
照片 (手机拍文档)	--deskew --unwarp	准确率 +3~5%
页面倒置/旋转	--orient	从乱码到正常识别
弯曲书页	--unwarp	准确率 +2~4%

脚本参考#

预处理脚本位于 scripts/pdf_preprocess.py，支持作为 Python 模块导入使用：

from scripts.pdf_preprocess import preprocess_image, deskew_image, unwarp_image

import cv2



img = cv2.imread('scan.jpg')

processed = preprocess_image(img, deskew=True, orient=True, unwarp=True)

cv2.imwrite('corrected.jpg', processed)



---