pdf 格式简介

pdf (Portal Document format), 可携带文件格式，可将文字，字体，图像，图形，色彩等信息打包在一起。 pdf 为了保证显示效果，牺牲了文档结构。pdf 文档结构是有些“混乱”的。 目前有文本版，图片版，文本图像版(双层)。 这就导致 pdf 格式的解析，难度比较大。 目前通用的做法是通过ocr 的方式，来实现pdf 的版面解析。

ppstructure 介绍

paddleocr 百度开源的ocr 工具，测试在 ocr识别领域还是比较好的。 ppstructure 是基于 paddleocr开发的文档版面识别工具。

ppstructure 功能：

• 版面分析，能识别出文件中的图形，表格，文字
• 关键信息抽取

ppstructrue 安装

ppstructure 是基于 python 开发，安装时，安装顺序 python3.8 -> anaconda -> paddlepaddle -> paddleocr

在安装时，对操作系统，paddlepaddle 版本，paddleocr 版本有一定要求。

操作系统 window 2019, （一开始选window 2012 ，在paddle 时，版本太低，安装出错）

anaconda是python 常用库集合。（直接用 python 安装 paddleocr, 会有一些库不存在，报错）

paddlepaddle > 2.4.1

paddleocr > 2.6.0.3

paddleocr 效果展示

在Anaconda prompt 窗口运行命令，

paddleocr --image_dir=d:/download/test.pdf --type=structure --table=false --ocr=false

解析流程： pdf文件分页 =》 页面转化成jpg 图像 =》 识别图像，抽取文本，图像。

最后在当前目录中生成output 文件夹，文件夹中有

• 页面转化的jpg 图像，(test_0.jpg)
• 识别出的图形，([]_0.jpg)
• 表格(excel形式)，([]_0.xlsx)
• 识别出的文本(json 格式)。(test_0.txt)

文件说明：

• 文件名后面的 0 表示在pdf 中的页码。
• [] 里的是在文档中的4 个坐标。