PDF 中的資訊難以提取？ 試試 OCR 吧！🤩
PDF 文件中的文字雖然易於閱讀，但想要提取其中的資訊卻常常讓人頭痛😓。別擔心，OCR (光學字符識別) 來救你啦！🙌
OCR 能將 PDF 文件內的圖像轉換為可編輯的文本內容，並提供每個文字的位置資訊。 🤯 這意味着你可以輕鬆的：
- 將 PDF 文檔中的文字複製到其他應用程式中 📑
- 搜尋 PDF 文件中的特定關鍵字🔎
- 自動整理表格數據📊
- 更有效率地分析和處理文本信息📈
這個專案旨在提供一個方便又實用的解決方案，讓你快速、高效地提取 PDF 文件中的資訊。🚀
採用了 PaddleOCR 開源預訓練模型 💪，並搭建了 server 端和 client 端：
- 完全本地運行！ 你不需要連網，任何時候都可以使用它！🌎
- 簡單易用! 輕鬆架設完成，讓你快速上手 🚀
解鎖 PDF 文件的無限潛力吧！✨
要啟動server有兩種方式:
- pip
- (推薦)Docker
conda create -n kocr python=3.11 -y -q
conda activate kocr
pip install kocr啟動server前可以先設定模型目錄以及要運行的port
export OCR_MODEL_ROOT=/data/models/paddleocr
export DET_MODEL=/det/en/en_PP-OCRv3_det_infer
export REC_MODEL=/rec/en/en_PP-OCRv4_rec_infer
export CLS_MODEL=/cls/ch/ch_ppocr_mobile_v2.0_cls_slim_infer
export PORT=8868
python -m kocr.api_server正常啟動server的話應該會看到
INFO: Application startup complete.
INFO: Uvicorn running on http://0.0.0.0:8868 (Press CTRL+C to quit)- Build Docker image
docker pull kime541200/kocr:latest- Create Docker container
sudo docker run -it \
--gpus='"device=0"' \
-v /data/models/paddleocr:/data/models/paddleocr \
-e OCR_MODEL_ROOT=/data/models/paddleocr \
-e DET_MODEL=/det/en/en_PP-OCRv3_det_infer \
-e REC_MODEL=/rec/en/en_PP-OCRv4_rec_infer \
-e CLS_MODEL=/cls/ch/ch_ppocr_mobile_v2.0_cls_slim_infer \
-e OCR_PORT=8868 \
-p 8868:8868 \
-w /usr/src/app/kocr \
--restart unless-stopped \
--name kocr \
kime541200/kocr:latest \
python api_server.py其中
OCR_MODEL_ROOT是存放OCR模型的根目錄DET_MODEL是存放檢測模型的目錄REC_MODEL是存放識別模型的目錄CLS_MODEL是存放文本方向分類模型的目錄
Server端預設情況下會去 {OCR_MODEL_ROOT}{DET_MODEL} 讀取檢測模型, 沒有的話就會直接下載到該目錄(須連網), 其他兩個模型依此類推。
這邊提供建立容器的範例中以 -v /data/models/paddleocr:/data/models/paddleocr 將本機的目錄掛載進容器中, 是因為我將模型放在本機的 /data/models/paddleocr 底下, 實際情況可依個人需求進行調整。
-e OCR_PORT 則可用來設置server運行的port。
容器建立後server會在背景運行, 例如: http://0.0.0.0:8868。
from kocr.app.client.classes.OcrClient import OcrClient
from kocr.app.ocr.utils.utils import decode_base64_image, draw_text_box
ocr_client = OcrClient(host='http://127.0.0.1:8868') # change IP and port if needed
def run():
# leave `specific_pages` to `None` will stream every pages in the PDF file
for result in ocr_client.send_pdf(pdf_path='/path/to/file.pdf', specific_pages=[1, 3, 21]):
img = decode_base64_image(result['base64_img'])
draw_text_box(img=img, ocr_results=result['result'])
if __name__ == "__main__":
run()from kocr.app.client.classes.OcrClient import OcrClient
from PIL import Image
from kocr.app.ocr.utils.utils import image_to_base64, decode_base64_image, draw_text_box
ocr_client = OcrClient(host='http://127.0.0.1:8868') # change IP and port if needed
def run():
# 載入本地影像
image = Image.open("/path/to/image.jpg")
img_base64 = image_to_base64(image)
response = ocr_client.send_image(img_base64=img_base64)
# 輸出伺服器的回應
if response.status_code == 200:
img = decode_base64_image(base64_str=response.json()['base64_img'])
ocr_result = response.json()['result']
draw_text_box(img=img, ocr_results=ocr_result)
else:
print(f"Failed to send image. Status code: {response.status_code}")
if __name__ == "__main__":
run()from PIL import Image
from kocr.app.client.classes.OcrClient import OcrClient
from kocr.app.ocr.classes import OcrConfig
from kocr.app.ocr.utils.utils import image_to_base64, decode_base64_image, draw_text_box
ocr_client = OcrClient(host='http://127.0.0.1:8868')
def run():
# 載入本地影像
image = Image.open("/path/to/large.jpg")
img_base64 = image_to_base64(image)
# must set the slide window's size
config = {
"slice":{'horizontal_stride': 300, 'vertical_stride': 500, 'merge_x_thres': 50, 'merge_y_thres': 35}
}
response = ocr_client.send_image(img_base64=img_base64, config=OcrConfig(**config))
# 輸出伺服器的回應
if response.status_code == 200:
img = decode_base64_image(base64_str=response.json()['base64_img'])
ocr_result = response.json()['result']
draw_text_box(img=img, ocr_results=ocr_result)
else:
print(f"Failed to send image. Status code: {response.status_code}")
if __name__ == "__main__":
run()