name: pdf-ocr description: 支援雙引擎的PDF OCR識別技能，可從影印版PDF檔案和圖片檔案中提取文字內容 version: 2.1.0 author: PDF OCR Skill Team license: MIT tags: - ocr - pdf - image - text-extraction - chinese - english - siliconflow - deepseek - rapidocr - local-ocr

PDF OCR Skill

PDF OCR技能用於從影印版PDF檔案和圖片檔案中提取文字內容。該技能支援兩種OCR引擎： - RapidOCR（本地引擎）：無需API金鑰，免費使用，識別速度快 - 矽基流動大模型（雲端引擎）：使用AI大模型進行高精度OCR識別

功能特性

• 支援影印版PDF檔案的文字提取
• 支援多種圖片格式的文字識別（JPG、PNG、BMP、GIF、TIFF、WEBP）
• 雙引擎支援：RapidOCR（本地）和矽基流動API（雲端）
• 支援中文和英文文字識別
• 保持文字的順序和結構
• 自動將PDF頁面轉換為圖片進行識別
• 智慧引擎切換：當RapidOCR初始化失敗時自動切換到矽基流動API

安裝

依賴要求

pip install pymupdf pillow requests python-dotenv

可選依賴（推薦）

安裝RapidOCR以獲得本地識別能力：

pip install rapidocr_onnxruntime

環境變數配置

1. 複製 .env.example 檔案並重命名為 .env
2. 根據需要配置以下選項：

# OCR引擎選擇
# - "rapid": 使用RapidOCR本地引擎（預設，無需API金鑰）
# - "siliconflow": 使用矽基流動API引擎（需要API金鑰）
OCR_ENGINE=rapid

# 如果使用矽基流動API引擎，需要配置以下選項：
SILICON_FLOW_API_KEY=your_api_key_here
SILICON_FLOW_OCR_MODEL=deepseek-ai/DeepSeek-OCR

快速開始

使用預設引擎（RapidOCR本地識別）

# 匯入OCR處理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 建立處理器例項（預設使用RapidOCR）
processor = PDFOCRProcessor()

# 執行PDF OCR識別
result = processor.ocr_pdf('path/to/your/scanned.pdf')

# 獲取識別結果
print(f"識別完成，共 {result['page_count']} 頁")
print(f"使用引擎: {result['engine']}")
print(result['text'])

使用矽基流動API引擎

# 匯入OCR處理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 建立處理器例項，指定使用矽基流動API
processor = PDFOCRProcessor(engine="siliconflow")

# 執行PDF OCR識別
result = processor.ocr_pdf('path/to/your/scanned.pdf')

# 獲取識別結果
print(f"識別完成，共 {result['page_count']} 頁")
print(result['text'])

識別圖片檔案

# 匯入OCR處理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 建立處理器例項
processor = PDFOCRProcessor()  # 或 PDFOCRProcessor(engine="siliconflow")

# 執行圖片OCR識別
result = processor.ocr_image_file('path/to/your/image.jpg')

# 獲取識別結果
print(f"識別結果: {result['text']}")

命令列使用

# 使用預設RapidOCR引擎
python pdf_ocr_processor.py your_document.pdf

# 使用矽基流動API引擎
python pdf_ocr_processor.py your_document.pdf siliconflow

進階使用示例

批次處理多個PDF檔案

import os
from pdf_ocr_processor import PDFOCRProcessor

# 建立處理器例項
processor = PDFOCRProcessor()

# 批次處理目錄中的所有PDF檔案
pdf_dir = "path/to/pdf/files"
output_dir = "path/to/output"
os.makedirs(output_dir, exist_ok=True)

for pdf_file in os.listdir(pdf_dir):
    if pdf_file.endswith('.pdf'):
        pdf_path = os.path.join(pdf_dir, pdf_file)
        output_path = os.path.join(output_dir, f"{os.path.splitext(pdf_file)[0]}.txt")

        print(f"處理檔案: {pdf_file}")
        try:
            result = processor.ocr_pdf(pdf_path)

            # 儲存識別結果到文本檔案
            with open(output_path, 'w', encoding='utf-8') as f:
                f.write(f"=== PDF OCR 識別結果 ===\n")
                f.write(f"檔名: {pdf_file}\n")
                f.write(f"頁數: {result['page_count']}\n")
                f.write(f"使用引擎: {result['engine']}\n\n")
                f.write(result['text'])

            print(f"處理完成，結果已儲存到: {output_path}")
        except Exception as e:
            print(f"處理失敗: {e}")

混合使用兩種引擎

from pdf_ocr_processor import PDFOCRProcessor

def process_with_best_engine(pdf_path):
    """嘗試使用RapidOCR，如果效果不佳則使用矽基流動API"""
    # 首先使用RapidOCR本地引擎
    rapid_processor = PDFOCRProcessor(engine="rapid")
    rapid_result = rapid_processor.ocr_pdf(pdf_path)

    # 簡單評估識別效果（例如：檢查識別出的文本長度）
    text_length = len(rapid_result['text'])

    if text_length < 100:  # 如果識別出的文本太短，可能效果不佳
        print("RapidOCR識別效果可能不佳，嘗試使用矽基流動API...")
        silicon_processor = PDFOCRProcessor(engine="siliconflow")
        silicon_result = silicon_processor.ocr_pdf(pdf_path)
        return silicon_result
    else:
        return rapid_result

# 使用示例
result = process_with_best_engine('path/to/your/document.pdf')
print(f"識別完成，使用引擎: {result['engine']}")
print(result['text'])

支援的檔案格式

• PDF檔案: .pdf
• 圖片檔案: .jpg, .jpeg, .png, .bmp, .gif, .tiff, .webp

輸出格式

{
    "text": "識別的完整文本內容",
    "page_count": 頁數,  # 圖片檔案始終為1
    "engine": "rapid" | "siliconflow"  # 使用的OCR引擎
}

使用場景

• 處理掃描版合同、協議等文件
• 提取影印版書籍、報告中的文字
• 處理無法直接複製文字的PDF檔案
• 批次處理掃描版PDF文件
• 識別截圖、掃描件等圖片中的文字
• 處理手寫體或印刷體圖片文字識別

注意事項

1. RapidOCR引擎：
2. 完全免費，無需網路連線
3. 首次使用會自動下載模型檔案

4. 識別速度取決於CPU效能

   更多技能請訪問小蔥技能站7w4.net。

5. 矽基流動API引擎：

6. 需要有效的API金鑰
7. 可能會產生費用

8. 識別速度取決於檔案頁數、圖片大小和網路狀況

9. 對於複雜的掃描版PDF或圖片，識別準確率可能會有所不同

10. 建議使用高畫質晰度的掃描版PDF或圖片以獲得更好的識別效果

觸發使用不同引擎的提示詞

在與 AI IDE 中的助手互動時，您可以使用以下提示詞來指定使用不同的 OCR 引擎：

📍 觸發 RapidOCR（本地引擎）的提示詞

• "使用本地 OCR 引擎處理這個 PDF"
• "用 RapidOCR 識別這個檔案"
• "本地處理，不需要 API"
• "快速識別這個文件"
• "離線處理這個 PDF"
• "不使用矽基流動 API，用本地引擎"

📍 觸發矽基流動 API（雲端引擎）的提示詞

• "使用矽基流動 API 處理這個 PDF"
• "用大模型 OCR 識別這個檔案"
• "高精度識別這個文件"
• "處理複雜的掃描件"
• "用雲端 OCR 引擎"
• "使用 AI 大模型識別"

📍 示例對話

示例 1：使用本地引擎

使用者：幫我處理這個掃描版 PDF，用本地 OCR 引擎快速識別
助手：好的，我將使用 RapidOCR 本地引擎為您處理。請提供 PDF 檔案路徑。

示例 2：使用雲端引擎

使用者：這個 PDF 包含手寫體，需要高精度識別，用矽基流動 API
助手：理解，我將使用矽基流動 API 大模型為您處理。請提供 PDF 檔案路徑和您的 API 金鑰（如果尚未配置）。

示例 3：自動選擇

使用者：幫我識別這個 PDF，選擇最合適的引擎
助手：我將預設使用 RapidOCR 本地引擎為您處理。如果識別效果不理想，我們可以嘗試使用矽基流動 API。

🔧 技術實現

當 AI 助手接收到這些提示詞時，會：

1. 解析使用者意圖，確定要使用的引擎
2. 呼叫 PDFOCRProcessor(engine="rapid") 或 PDFOCRProcessor(engine="siliconflow")
3. 執行 OCR 識別並返回結果

🎯 最佳實踐

• 明確指定引擎：如果您對引擎有特定要求，最好在提示詞中明確說明
• 提供上下文：說明文件型別（如手寫體、複雜格式等）有助於助手選擇合適的引擎
• 測試不同引擎：對於重要文件，可以嘗試兩種引擎並比較結果

通過使用這些提示詞，您可以在與 AI IDE 互動時靈活控制 OCR 引擎的選擇，獲得最佳的識別效果

故障排除

常見問題及解決方案

1. RapidOCR初始化失敗
2. 問題：ModuleNotFoundError: No module named 'rapidocr_onnxruntime'

3. 解決方案：安裝RapidOCR依賴：pip install rapidocr_onnxruntime

4. 矽基流動API 401錯誤

5. 問題：Unauthorized: 401 Client Error

6. 解決方案：檢查API金鑰是否正確配置在.env檔案中

7. PDF轉圖片失敗

8. 問題：ImportError: No module named 'fitz'

9. 解決方案：安裝PyMuPDF依賴：pip install pymupdf

10. 識別結果為空

11. 問題：識別結果文本長度為0
12. 解決方案：
    • 檢查PDF是否為掃描版（非文本PDF）
    • 嘗試使用矽基流動API引擎
    • 確保PDF或圖片清晰可讀

許可證

MIT License - 詳見 LICENSE.txt

這個PDF OCR技能功能比較實用，能識別影印版PDF和圖片中的文字，支援中文和英文。文件寫得詳細，配置說明也比較清楚。不足之處是安裝說明有些地方容易讓人困惑，比如配置檔案可能需要使用者自己建立；另外版本號在幾個地方顯示得不一樣，可能會造成混淆。整體來說功能完整，適合需要從掃描文件中提取文字的使用者使用。