利用paddleX实现图片、扫描版PDF转word
上次分享了paddle一个好用的自然语言智能提取方法，https://www.52pojie.cn/thread-1892273-1-2.html这次再分享一个利用paddleX实现扫描版pdf转word的方法。
PDF转word是一个难题，如果是word或其他软件转的PDF，那么很容易转成word，市面上有很多工具和网站。
如果是扫描版的或是图片转成的PDF，那么就比较难办了，特别是还有表格情况，就更难转换了，一般的软件都是直接把图片放到word里，并不是我们想要的编辑版的。
我们还是先进入paddle主页：
https://www.paddlepaddle.org.cn/
找到“产品全景”-“PaddleX”
进入后，找到本地下载，目前提供2个版本下载，我用的Windows。
注意自己的电脑是否满足要求，另外，没有GPU也能运行，只是CPU比GPU慢一些。
当然了，你可以查看一下安装说明。
下载下来后，就可以直接安装了。安装时，软件会下载很多东西，大概好几个G。
安装时会让你创建一个工作空间，记住你的这个文件夹，将来所有的东西都放在这个文件里了。
提示，python最好不要有中文，将来的文件名也一样，需要全用英文和数字。
安装过程可能会出现问题，例如安装界面突然关闭了，此时我们需要重新安装，如果依然安装失败，那就卸载后再安装，多安装几次。
我也不知道什么原因老是安装失败，可能是安装时下载东西比较多，中间中断了，反正我装了好多次才装好的。
安装完后，会提示安装成功，桌面会有一个图标，如果双击能打开那就说明安装成功了。
打开软件，找到右侧“新建模型产线”
里面一共有7页，翻一翻，找到“PDF转Word”这个模型。
点击创建，再点击“进入开发”
这是也是一个开箱即用的工具。软件为我们准备了一张图片。我们也可是删除这张图片，换成我们自己的图片。
这里就不删除了，就用软件提供的。我们往下拖，找到软件最底部的“开始测试”。
当然了，如果你没有GPU，那么就修改为CPU。
点击开始测试，软件就开始运行了。第一次可能比较慢，有可能是软件需要下载一些相关模型。
再拖到软件最上方，会看到测试成功，右边就是转换的word文档了。
打开看一看，还是比较好的。
好了，一张图片就完成转换了。那么PDF怎么转呢？软件不能直接转PDF，需要先把PDF转为图片，这个很多PDF软件都能实现。
注意，转成图片文件不能是中文命名。所以，转之前先把PDF改为英文或数字名。
然后就可以用软件转了，不能一张一张转吧？？？？那不慢死了。。。。
我们看到，软件上方有2个模式。“工具箱模式”和“开发者模式”。。。
刚刚用的是工具箱模式，我们点击开发者模式。
我们看到，在左侧有一个iner_pdf2word.py的Python文件。
打开，大概浏览一下。发现，最后有一个pdf2word的函数，这是一个自定义函数。
函数里有一个input_img_path参数，这个参数正好就是刚刚的图片地址。
（另外，其他函数不需修改，可以修改一下save_folder，save_folder是转成word后的存储路径）
我们只需修改一下这个图片的路径就可以实现批量识别了。
例如，我们有13页pdf文件，先用软件转成图片格式，放到一个文件里
注：开发者模式里的所有文件，都在你安装软件时选的工作空间那个文件里。找到它。
我们用os库把文件里的所有图片放到一个变量list里，通过for循环一张张的识别就行了。
将原来的代码，修改如下：
# start convert
pic_path = r'E:\px\906012\16\new'
pic_list = os.listdir(pic_path)
for i in pic_list:
input_img_path = os.path.join(pic_path,i)
pdf2word(det_model_name, det_model_dir, rec_model_name, rec_model_dir,
layout_model_name, layout_model_dir, table_model_name,
table_model_dir, device, input_img_path, save_folder)
print('finish')
添加了2个变量pic_path和pic_list，找到文件里所有的图片。
增加了一个for循环，将pdf2word函数放到了for循环了，实现了所有图片一张张的转成word文件。
最后我们再把所有word文档集中到一个word里就行了。
虽然，这个方法有点麻烦，但对于图片和PDF转word目前也是免费中最好的办法了。。。。。。
PaddleX还有一个优势，就是能识别出PDF中的图片和表格，正确率虽然不能保证100%，但也好于很多软件了。
各路api接口已经尝试过了，实际上都不怎么好用，识别率忒低，尤其是图片拍照后再扫描成PDF以及PDF表单，如银行流水
还不如用国外软件，一键orc，识别精准且少错。。。so还是国外的香 前来学习{:301_992:} sai609 发表于 2024-2-26 18:21
各路api接口已经尝试过了，实际上都不怎么好用，识别率忒低，尤其是图片拍照后再扫描成PDF以及PDF表单，如 ...
方便分享一下国外什么软件吗？ 主要是一些国外的形式发票需要ocr. ncqingyi 发表于 2024-3-7 22:59
方便分享一下国外什么软件吗？ 主要是一些国外的形式发票需要ocr.
invoice吗？ sai609 发表于 2024-3-7 23:04
invoice吗？
是的，主要是欧洲的一些invoice, 语言多样. 很香的东西 所以还是国外的香 听起来好厉害的样子
页:
[1]