# PDF Ocr

> PDF扫描件转Word文档。支持中文OCR识别，自动裁掉页眉页脚，保留插图，彩色章节封面页保留为图片。使用百度OCR API（免费额度1000次/月）。当用户要求把扫描PDF转成文字/Word时触发。

- Skill: `jiyangnan/pdf-ocr` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx skillmds@latest add jiyangnan/pdf-ocr`
- Raw SKILL.md: https://api.skillmd.com/api/skills/jiyangnan/pdf-ocr/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Docs & Writing
- Author: jiyangnan (https://skillmd.com/u/jiyangnan)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/jiyangnan/pdf-ocr

---


# PDF扫描件 OCR 转换技能 📄

## 配置
- **百度 OCR API Key**: 通过环境变量 `BAIDU_API_KEY` 配置
- **百度 OCR Secret Key**: 通过环境变量 `BAIDU_SECRET_KEY` 配置
- **免费额度**: **1000次/月**（1次=1页），592页以内一次免费跑完
- **接口**: 通用文字识别（高精度版）`accurate_basic`

## 依赖安装
```bash
pip install pymupdf python-docx pillow
```

## 使用方法

```bash
python3 {baseDir}/scripts/pdf_to_docx.py <PDF路径> [输出目录]
```

输出文件在 `[输出目录]/xxx_全文_ocr.docx`，文件较大时用脚本压缩图片：

```bash
python3 {baseDir}/scripts/compress_docx.py <docx路径> <输出路径>
```

## 处理策略

| 页面类型 | 判断方式 | 处理方式 |
|---------|---------|---------|
| 正文页 | 默认 | 裁掉顶部6%（页眉）+底部4%（页脚），OCR识别文字 |
| 插图页 | OCR无文字输出 | 保留为图片嵌入Word |
| 彩色封面/章节页 | 彩色像素占比>25% | 保留为图片，加灰色标注 |

## 已知限制
- **图文混排页**（图表里有文字）：OCR会把图表内文字识别为正文，需人工替换
  - 解决：用户找到问题页，告知PDF页码，截图后手动替换
- **白底目录页**：不会被自动识别为特殊页，会被OCR识别（效果一般）
  - 解决：转换后人工替换目录页为图片

## 实战案例（《预测之书》592页）
- 处理时间：约20分钟（含0.6s/页间隔）
- 输出原始大小：303MB（嵌入144张图片）
- 压缩后大小：3.4MB（图片降分辨率至600px宽，质量60%）
- 识别效果：正文准确率高，图表页需人工处理
- 每50页自动保存一次进度，防止中途崩溃

## 注意事项
- 免费版 QPS=2，脚本已加0.6秒/页间隔
- 裁剪比例（页眉6%/页脚4%）可在脚本顶部调整
- OCR完成后建议抽查几页校对准确率
- 原始高清版保留在服务器，压缩版用于分发