专注批量处理软件
工具说明

批量PDF文字识别工具教程

一可软件 · 工具说明批量PDF文字识别工具教程
批量PDF文字识别工具教程

功能关键词:扫描PDF的文本转换、批量OCR识别、PDF转Word、可搜索的PDF。

工具概述

批量PDF文字识别工具用于从扫描、照片转换而来的PDF文件及文档资料中识别文字,可以收集多个PDF文件或目录,并在本地调用独立的PP-OCRv6引擎。

页面提供页码范围、8种排版模式、方向校正、批次及同名处理策略,可同时选择TXT、Word、JSON、可搜索的PDF,并显示文件进度和逐页日志。

工具截图

批量PDF文字识别工具的主界面。路径设置、参数与操作、进度与日志全部显示,当前显示未找到引擎并等待开始
主界面包括路径设置、参数与操作、进度与日志;当前未找到引擎,输入目录和输出目录为空。

主要功能

  1. 批量添加PDF文件或文件夹,支持扫描子目录、移除重复输入源、按相对目录整理输出。
  2. 按全部页面、单页、离散页码或连续范围选择识别范围。
  3. 提供包括多栏、单栏、原始文本块在内的8种排版模式,以及方向校正。
  4. 对于同一个PDF,可以从TXT、DOCX、JSON、可搜索的PDF中选择一种或多种格式。
  5. 每批1~64个文件共享一次模型加载;指定页码或可搜索的PDF时,处理会自动逐文件进行。
  6. 使用自动编号或存在则跳过的同名处理策略,不覆盖已有结果。
  7. 显示文件整体进度和最近200条日志;停止后会结束当前识别进程,并删除未完成的输出。

使用前的准备

准备.pdf文件或包含PDF文件的文件夹,并确定另一个用于保存结果的目录。保存目录不能与任何输入文件夹完全相同。

需要软件附带的独立PP-OCRv6引擎。默认搜索与程序位于同一位置的orc.exe以及ocr_engine子目录内的orc.exe;请注意,源代码中的文件名实际为orc.exe。移动引擎后,可以在第三行重新浏览并选择EXE。

当前截图显示“未找到引擎”;实际使用前请指定引擎。此状态仅检查路径上是否存在文件,并不表示已执行识别、已验证模型或已验证识别精度。

请至少选择一种输出格式;默认为TXT。说明中指出,需要密码的加密文件、损坏的PDF文件或异常大的页面可能无法识别,需要查看日志;页面没有用于输入PDF密码的操作项。

详细操作步骤

1. 添加多个PDF文件或文件夹,并选择扫描范围

点击“路径设置”中“待处理文件”右侧的“浏览”,先从菜单中选择“选择PDF文件(可多选)”或“选择文件夹”,然后在系统对话框中选择自己的输入源。再次浏览时,会追加到现有列表,而不是直接替换该列表。

也可以将自己的PDF文件或文件夹拖入输入框,或手动输入路径;多个路径请用半角分号分隔。程序也接受换行,路径本身包含分号时,需要用半角双引号括住整个路径。输入框会去除相同路径的重复项。

输入源为文件夹时,如需子目录,请勾选右侧的“扫描子目录”;不勾选时仅搜索第一层,直接选择的各个PDF文件不受此选项影响。实际扫描时仅收集.pdf文件,不跟随目录符号链接,并减少因父目录与子目录重叠导致的重复收集。

此图仅展开了输入源菜单,没有打开文件选择或添加资料。菜单遮住了保存目录的部分操作项;下一步将分别展示保存位置和引擎。

待处理文件的浏览菜单提供多个PDF文件和文件夹两种输入源,扫描时可以包含子目录。
图1:待处理文件的浏览菜单提供多个PDF文件和文件夹两种输入源,扫描时可以包含子目录。

2. 确定保存位置、目录结构和独立OCR引擎

点击路径设置第二行“保存目录”的“浏览”,选择结果文件夹;也可以输入或拖入自己的目录。开始实际任务时,会尝试创建不存在的输出目录;不能与输入文件夹完全相同。

需要保留子目录层级时,请先勾选第一行的“扫描子目录”,再勾选第二行右侧的“保留原路径结构”。关闭扫描后,结构选项会取消勾选。输出会复制输入源根目录内的相对层级,有多个输入源根目录时,不会自动添加各自的根目录名。

第三行的“OCR引擎”默认查找orc.exe。显示未找到时,请点击该行的“浏览”,选择软件附带的OCR EXE;页面提示使用v6.66 OCR EXE;请勿将普通PDF选为引擎。

右侧的“引擎正常”或“未找到引擎”仅基于指定文件是否存在;工具的实际运行能力需要体现在实际任务日志中。这里不会进行安装、模型下载或引擎验证。

此图仅勾选了扫描,以显示可用的结构选项。输入源和保存目录仍为空,未检测到引擎的状态也保持实际状态;输出位于输入源子目录内时,递归扫描会排除输出目录,以避免重新收集结果。

路径区域的下两行用于设置保存目录和结构,并指定OCR引擎,但当前仍显示未找到引擎。
图2:路径区域的下两行用于设置保存目录和结构,并指定OCR引擎,但当前仍显示未找到引擎。

3. 设置页码范围和文本排版模式

在“参数与操作”的“页码范围”中保持all表示全部页面;也接受空值或“All”。实际只需要部分页面时,可以输入单页1、离散页1,3,5或范围2-8;页码从1开始,范围的结束页不能小于起始页。

复合范围可以用逗号分隔,中文逗号会被规范化;页面不提供奇偶页关键词或逆序处理。指定页码后,程序会自动按每批一个文件调用引擎,以对各文件应用范围。

打开“排版模式”的下拉菜单:多栏和单栏各自提供自然段落、逐行换行、连续文本;此外还有单栏-代码块和原始文本块,共8个选项。默认为“多栏-自然段落(推荐)”。

根据说明,合同和报告可以从多栏自然段落开始,列表可以使用逐行换行的单栏,代码块用于保留缩进,原始文本块不进行排版合并。此选项将排版策略传递给引擎,并不意味着恢复原PDF的字体、图像或完整排版。

此图仅展开了排版菜单;页码范围仍为all,没有输入示例参数,也没有识别文档。

参数区域左侧可以设置页码并展开8种排版策略,仍选中多栏自然段落。
图3:参数区域左侧可以设置页码并展开8种排版策略,仍选中多栏自然段落。

4. 选择输出格式、方向校正和TXT页面标记

在“输出格式”一行选择所需格式;可以多选,但必须至少保留一种选中。TXT默认启用,输出UTF-8纯文本;Word生成.docx文本文档;JSON用于保留逐页结构化识别数据;可搜索的PDF由引擎添加文本层。

Word按原页码添加“第N页”标题,在不同输入源页面之间插入分页符,并按识别出的换行将文本分成段落;并不是将原页面图像、表格格式或字体原样重建到Word中。

JSON收集引擎返回的页码、状态码、文本、文本块数量和块信息;块数据可能包含坐标和置信度分数,具体字段由引擎实际返回的内容决定;失败页面也可能包含错误信息。

方向校正默认勾选,适用于上下颠倒的页面或文字方向不一致的情况;方向一致的批量处理资料可以按照帮助说明关闭。TXT分页默认勾选,会添加“===== 第 n 页 =====”页面标记;取消勾选后,不会写入这些标题。

对于可搜索的PDF,为避免在输入源文件旁生成中间文件,会先将输入源PDF复制到临时目录,输出命名为原基本名加“_可搜索.pdf”;启用此项后会自动按每批一个文件运行,临时磁盘占用会增加。截图中保持默认的TXT,未生成其他格式。

4种输出类型可以多选,右侧的方向校正和TXT分页默认启用。
图4:4种输出类型可以多选,右侧的方向校正和TXT分页默认启用。

5. 设置每批文件数和同名处理策略

“每批文件数”为1~64,默认为8,表示一次模型加载后连续处理的PDF文件数,不是并行线程数。帮助中推荐普通计算机使用8,内存较少时使用2~4,大量小文件使用PDF16~32。

指定页码或勾选可搜索的PDF时,实际批次大小会自动变为1;即使输入框仍显示8,也不意味着同时处理8个文件。页面没有识别线程数、模型精度、语言模型下载的切换项。

“同名处理”默认为“自动编号(推荐)”,存在同名时会尝试基本名_1、基本名_2等;要保留已输出的资料,可以选择“存在则跳过”。两者都不会直接覆盖已有输出。

是否同名使用为一个PDF选中的整套输出格式的基本名来判断:所选格式中任何一种已存在或已被本批次预留时,整套都会自动编号或跳过。跳过并不是仅补齐缺少的格式;切换格式继续任务时,请确认保存目录和策略。

处理多个根目录并保留结构时,根目录内相同的相对路径仍可能冲突,并按上述策略处理;请勿认为不同输入源根目录会自动分开。截图中保持默认的8和自动编号,参数未提交。

每批文件数控制模型加载的批次,同名处理控制整套输出的编号或跳过。
图5:每批文件数控制模型加载的批次,同名处理控制整套输出的编号或跳过。

6. 开始实际识别、查看进度日志,并根据需要停止

实际准备好自己的输入源、保存目录、引擎和参数后,点击“开始识别”。程序首先验证设置和使用权限,然后统计PDF文件并在后台执行识别;运行期间会锁定输入设置,以避免任务中途更改。本文没有点击此按钮。

“进度与日志”上方的状态会显示等待中、扫描中、识别中、停止中或完成;进度按已处理的输入源文件数推进,成功、失败、跳过均计入。下方日志显示识别的页面、保存、警告和错误,最多保留最近200条。

需要停止时,请点击“停止”;程序会结束当前外部识别进程,删除当前批次未完成的临时输出,并解除预留;此前已完整保存的文件会保留。没有暂停或恢复原任务的按钮;再次开始会成为新任务,可以使用存在则跳过来减少重复。

“清空日志”仅清除当前日志显示,不会删除已保存的识别文件;页面没有独立的下载按钮或结果预览按钮,请在完成后到保存目录查看所选格式。

PDF中有成功页面而部分页面失败时,可以发布部分内容并附带有关失败页面的警告;所有页面均失败时,临时输出会被撤回。即使未生成可搜索的PDF,其他格式有成功页面时,也可能记录为带警告的成功;仅选择PDF且未生成输出时则为失败。请同时使用统计和日志,而不是只检查进度是否达到100%。

图中仍为等待开始、0%和空日志。本次使用快速制作模式,没有上传资料、启动OCR或验证输出文件。

运行入口位于进度日志旁,当前等待开始;清空日志也不会删除输出。
图6:运行入口位于进度日志旁,当前等待开始;清空日志也不会删除输出。

主要参数说明

参数功能建议
页码范围默认为all;支持正整数单页页码、逗号分隔的列表、升序范围。对于部分页面,引擎会自动逐文件调用。
排版模式8个选项:多栏/单栏的3种文本组织模式,加上代码块和原始块。请根据内容选择;不保证恢复原排版。
每批文件数1~64,默认为8,一次模型加载中连续处理的文件数。不是线程;指定页面或勾选可搜索的PDF时,实际值为1。
输出格式TXT、Word、JSON、可搜索的PDF;可多选。请至少选择一种;Word是分页文本DOCX。
方向校正默认启用,将方向校正请求传递给引擎。方向不一致时可以保留。
TXT分页默认启用;仅控制TXT内的页面标记。需要连续正文文本时请取消勾选。
同名处理自动编号或存在则跳过,默认为编号。将所选格式作为整套检查,不补齐缺少的项。
扫描/保留结构保留结构仅在扫描时可用。复制根目录内的层级,不为多个根目录添加根目录名。

结果与保存

TXT、DOCX、JSON使用输入源基本名写入保存目录;可搜索的PDF使用“原基名_可搜索.pdf”,同名编号应用于这一整套输出。保留原路径结构时,文件会按输入源内的相对目录保存。

TXT为UTF-8,DOCX为包含页面标题和分页符的文本文档,JSON为逐页识别数据;可搜索的PDF文本层由独立引擎生成,原PDF不会改变。界面不提供复制全文、文档预览或下载按钮;请在实际任务结束后查看保存目录。

先写入临时文件,然后发布;部分页面失败时仍可能生成输出文件和警告,但完全失败时不会发布。停止后会保留此前已完成的文件,并删除当前未完成批次;日志最多200条,请及时查看错误。

当前未找到引擎,未运行任务,上述结果均未生成或验证;本教程仅说明页面和源代码提供的操作。

常见问题与使用建议

1. 为什么“保留原路径结构”呈灰色?

启用“保留结构”前,请先勾选“扫描子目录”;取消勾选扫描后,结构也会取消勾选。

2. 为什么显示“未找到引擎”?

指定的EXE文件不存在。请检查与程序位于同一位置的orc.exe或ocr_engine/orc.exe,必要时在引擎行浏览并选择软件附带的EXE。

3. “引擎正常”是否意味着识别已经验证?

不是,此标签仅确认文件存在,不检查模型完整性或识别输出。

4. 多个输入源路径如何分隔?

手动输入时请使用半角分号或换行;路径包含分号时,请用半角双引号括住该项。浏览可以多次添加。

5. 可以将结果放在输入目录中吗?

不能与输入文件夹完全相同;输出位于其子目录内时,递归扫描会排除该输出目录。建议使用单独的保存目录。

6. “每批文件数”是同时运行的线程数吗?

不是,是一次模型加载中连续处理的文件数;指定页码或勾选可搜索的PDF时,会自动使用1。

7. Word会恢复图像和表格排版吗?

当前仅按文本换行写入段落,并插入与输入源页面对应的分页符,没有重建原排版、原图像和表格的设置。

8. 跳过时会自动补齐缺少的DOCX文件吗?

不会,所选格式中任何一种已存在时,整套都会跳过;需要不同格式时,请确认保存目录和策略。

9. 页码范围只能输入all吗?

也可以输入1、1,3,5、2-8等升序页码范围;不支持奇偶页关键词和逆序。

10. 停止后,已完成的文件和日志会怎样?

完整保存的文件会保留,当前未完成批次会被删除;日志仅保留最近200条,清空日志也不会删除输出文件。

继续阅读

查看全部