williamdeve / RapidOCRPDF

Based on RapidOCR, extract the PDF content.

RapidOCRPDF

• 依托于RapidOCR仓库，快速提取PDF中文字，包括扫描版PDF、加密版PDF。
• 如果是可以直接复制的PDF，可以直接使用pdf2docx，不再重复造轮子
• 如果是扫描版PDF，暂时不支持版式还原，后续有空会考虑加上，日期不定。

使用

1. 安装rapidocr_pdf库

   # 基于rapidocr_onnxruntime
   pip install rapidocr_pdf[onnxruntime]
   
   # 基于rapidocr_openvino
   pip install rapidocr_pdf[openvino]

2. 使用

   • 脚本使用：

     from rapidocr_pdf import PDFExtracter
     
     pdf_extracter = PDFExtracter()
     
     pdf_path = 'tests/test_files/direct_and_image.pdf'
     texts = pdf_extracter(pdf_path)
     print(texts)

   • 命令行使用

     $ rapidocr_pdf -h
     usage: rapidocr_pdf [-h] [-path FILE_PATH]
     
     options:
     -h, --help            show this help message and exit
     -path FILE_PATH, --file_path FILE_PATH
                             File path, PDF or images
     
     $ rapidocr_pdf -path tests/test_files/direct_and_image.pdf

3. 输入输出说明

   • 输入：Union[str, Path, bytes]
   • 输出：List [页码, 文本内容, 置信度]， 具体参见下例：

     [
         ['0', '人之初，性本善。性相近，习相远。', '0.8969868'],
         ['1', 'Men at their birth, are naturally good.', '0.8969868'],
     ]

更新日志

• 2023-08-28 v0.0.6 update:
  • 解决PyMuPDF版本依赖问题，对应issue #2
• 2023-04-17 v0.0.2 update:
  • 完善使用文档