前言

最近在开发人工智能文档处理项目时，PDF 解析环节卡了很久，大量扫描版 PDF 无法被大模型直接读取文本，多方调研后选用 PaddleOCR 完成图像类 PDF 文字提取，整套流程跑通后整理完整实操经验与工具基础介绍，给同样遇到文档解析问题的开发者参考。

一、项目痛点：两类 PDF 解析的巨大差异

项目需求是批量读取 PDF 文档内容，输入大模型做摘要、信息抽取，但实际测试发现 PDF 分为两种完全不同的存储结构，解析难度天差地别：

1.1 原生文字型 PDF（Word/WPS 导出文档）

由办公软件直接导出，文件内部存储可复制文本流，文字、段落、表格都以字符对象形式存在，不存在图像图层。 处理优势：

1. 无需额外视觉识别工具，使用 PyPDF2、pdfplumber、PyMuPDF 即可一键提取全文；
2. 提取速度快、无识别误差，直接输出纯文本送入大模型就能完成后续任务；
3. 支持精准定位文字坐标，区分标题、正文、表格等区块。

常规提取代码极简，直接读取页面文本即可：

from pdfplumber import open as pdf_open
def extract_text_pdf(pdf_path):
    all_text = ""
    with pdf_open(pdf_path) as pdf:
        for page in pdf.pages:
            page_text = page.extract_text()
            if page_text:
                all_text += page_text + "\n"
    return all_text

这类文档是大模型最适配的输入素材，几乎不会出现文字丢失、乱码问题。

1.2 图像扫描型 PDF（纸质扫描件、拍照存档 PDF）

这类 PDF 没有内置文本，每一页本质是一张高清图片，纸张文字全部以像素形式存储，传统文本提取库读取后返回空内容，直接丢给大模型完全无法识别有效文字，这也是项目初期最大卡点。

初期尝试的替代方案均存在明显缺陷：

1. 在线 OCR 工具：文件存在企业涉密数据，禁止上传第三方平台；
2. Tesseract-OCR：中文识别准确率极低，票据、模糊扫描件大量错字；
3. 商用付费 OCR 接口：批量处理上千份文档成本过高，不适合项目长期迭代。

最终解决方案：先通过 PyMuPDF 将 PDF 每页批量转换成独立图片，再调用 PaddleOCR 逐张识别图片内全部文字，拼接每页文本后送入大模型完成业务流程。

二、整体技术处理流程

完整扫描 PDF 解析链路分为 4 步，适配项目自动化批量处理：

1. 文件判定：先调用 pdfplumber 尝试提取文本，若返回内容长度低于阈值，则判定为图像 PDF；
2. PDF 分页转图：使用 PyMuPDF（fitz）将 PDF 每一页渲染为高清图片，缩放系数 2.0 提升文字清晰度；
3. PaddleOCR 图像识别：加载轻量中文模型，自动矫正倾斜文字、定位文本框、输出结构化文字；
4. 文本整合：按页面顺序拼接识别结果，过滤低置信度乱码，输出完整文档文本供给大模型。

三、PaddleOCR 基础认知：为什么选它处理 PDF 扫描件

3.1 PaddleOCR 核心定位

PaddleOCR 是百度飞桨开源的工业级 OCR 工具库，专门针对中文场景深度优化，兼顾轻量化与高精度，无需复杂深度学习环境配置，CPU 电脑即可本地离线运行，完美适配文档扫描识别需求，也是目前国内开源 OCR 中适配 PDF 图像识别最优方案。

PaddleOCR官方开源地址：https://github.com/PaddlePaddle/PaddleOCR

3.2 适配 PDF 扫描件的核心优势

1. 中文识别精度领先 针对简体中文、繁体、中英文混合、印刷扫描字体专项训练，模糊、反光、轻微倾斜的纸质扫描页识别准确率远超传统 OCR 工具，发票、合同、档案类文档几乎无错字。
2. 轻量化离线部署，无网络依赖 PP-OCRv6 tiny 轻量模型整体不足 10MB，本地一次性下载模型后永久离线使用，解决项目涉密文件不能联网上传的安全要求，普通办公电脑 CPU 就能批量推理。
3. 内置倾斜矫正、文本检测双模块 拍照扫描的 PDF 经常存在页面旋转、文字倒置问题，开启use_angle_cls参数后自动识别 0°/90°/180°/270° 旋转角度，矫正后再识别，大幅减少漏识别、乱序问题。
4. 原生支持 PDF 直接识别，无需手动转图 官方接口内置 PDF 解析逻辑，可直接传入 PDF 路径批量识别全页，底层自动完成分页转图逻辑，简化开发代码；也支持自主分页转图自定义预处理，适配高清放大、降噪等优化操作。
5. 模块化可调节参数，适配各类扫描质量 可自定义检测阈值、文本框膨胀系数，针对浅淡打印文字、密集票据文字调参，解决扫描件文字过淡、文本框截断文字的常见问题。

3.3 PaddleOCR 核心技术架构（PDF 识别相关模块）

整套识别流水线分为三大可插拔模块，处理扫描 PDF 时仅需启用核心模块 + 角度矫正模块：

1. 文档角度分类模块（可选，必开） 自动矫正整张 PDF 页面旋转问题，模型体积小、推理耗时极低，解决拍照扫描文档歪斜导致识别失效问题。
2. DB 文本检测模块（核心必备） 自研可微二值化算法，精准定位图片内所有文字区域，区分文字与背景污渍、纸张边框，避免无关像素干扰识别，对密集多行文档适配性极强。
3. CRNN 文本识别模块（核心必备） 采用 CTC 时序解码，适配中文长文本、多行段落识别，输出文字 + 置信度分数，可过滤低于 0.5 置信度的无效识别字符，提升文档文本整洁度。

PaddleOCR官方中文文档：https://github.com/PaddlePaddle/PaddleOCR/blob/main/readme/README_cn.md

四、完整环境搭建与代码实战

4.1 环境依赖安装

推荐使用虚拟环境隔离依赖，安装顺序为先飞桨框架，再 PaddleOCR，搭配 PDF 处理辅助库：

# 升级pip
python -m pip install --upgrade pip
# 安装CPU版飞桨框架（无独立显卡推荐）
pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PaddleOCR完整版（含PDF、可视化拓展功能）
pip install "paddleocr[all]"
# PDF处理依赖库：PyMuPDF、pdfplumber
pip install pymupdf pdfplumber numpy opencv-python pillow

4.2 方案一：PaddleOCR 原生 PDF 识别（最简代码）

无需手动拆分图片，直接传入 PDF 路径，自动分页识别，适合快速开发：

from paddleocr import PaddleOCR

# 初始化OCR模型，开启角度矫正，中文识别
ocr = PaddleOCR(use_angle_cls=True, lang="ch", page_num=5)
pdf_file = "扫描版合同.pdf"
# 识别PDF全部页面
result = ocr.ocr(pdf_file, cls=True)
full_text = ""
# 遍历每页识别结果
for page_idx, page_res in enumerate(result):
    if not page_res:
        full_text += f"=====第{page_idx+1}页无文字=====\n"
        continue
    page_content = ""
    for line in page_res:
        text, score = line[1][0], line[1][1]
        # 过滤置信度低于0.5的识别结果
        if score >= 0.5:
            page_content += text + " "
    full_text += f"=====第{page_idx+1}页=====\n{page_content}\n\n"
# 输出完整文档文本，送入大模型处理
print(full_text)
# 保存识别文本到本地文件
with open("pdf识别结果.txt", "w", encoding="utf-8") as f:
    f.write(full_text)

4.3 方案二：自主分页转图 + OCR 识别（高清优化版）

针对模糊扫描 PDF，手动控制图片缩放倍数提升清晰度，可控性更强，适合批量高精度处理：

import fitz
import cv2
import numpy as np
from paddleocr import PaddleOCR

# 初始化OCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")

def pdf_convert_image(pdf_path, zoom=2.0):
    """PDF分页转为高清图片数组"""
    doc = fitz.open(pdf_path)
    img_list = []
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        mat = fitz.Matrix(zoom, zoom)
        pix = page.get_pixmap(matrix=mat)
        # 转为RGB图像数组
        img_arr = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, pix.n)
        img_arr = cv2.cvtColor(img_arr, cv2.COLOR_RGB2BGR)
        img_list.append(img_arr)
    doc.close()
    return img_list

def batch_ocr_image(img_arr_list):
    """批量识别图片列表，拼接全文"""
    total_text = ""
    for idx, img in enumerate(img_arr_list):
        res = ocr.ocr(img, cls=True)
        page_text = ""
        if res[0]:
            for line in res[0]:
                txt, conf = line[1]
                if conf > 0.5:
                    page_text += txt + " "
        total_text += f"【第{idx+1}页】\n{page_text}\n\n"
    return total_text

# 执行完整流程
if __name__ == "__main__":
    pdf_path = "扫描档案.pdf"
    page_images = pdf_convert_image(pdf_path, zoom=2.5) # 放大2.5倍提升清晰度
    doc_text = batch_ocr_image(page_images)
    print(doc_text)

五、PDF 扫描件识别高频调参技巧

实际项目中不同质量扫描 PDF 识别效果差异较大，修改初始化参数即可针对性优化，核心参数说明：

1. use_angle_cls=True：必开，自动矫正倾斜、倒置页面，拍照扫描 PDF 必备；规整电子文档可关闭提升速度；
2. det_db_unclip_ratio=1.8：文本框膨胀系数，默认 1.6，扫描文字紧贴页面边缘时上调至 1.8~2.2，避免文字被截断；
3. det_db_box_thresh=0.4：文本框置信阈值，模糊淡色扫描件调低至 0.3~0.4，减少漏检；干净清晰文档调高至 0.6 过滤污渍误识别；
4. enable_mkldnn=True：CPU 部署开启，推理速度提升 50% 以上，批量处理大量 PDF 时显著节省时间；
5. lang="ch"：语言参数，中英文混合文档默认 ch，纯英文扫描件切换为 en。

六、项目落地踩坑总结

1. 模型下载失败：首次运行会自动下载预训练模型，网络卡顿可手动下载模型放置本地，初始化时指定模型路径；
2. PDF 转图模糊、识别错字：调高 zoom 缩放系数至 2.0~3.0，放大页面分辨率，弱化纸张模糊带来的识别误差；
3. 批量处理内存溢出：超大百页 PDF 不要一次性全部转图存入列表，采用逐页转图、识别、释放内存的流式处理；
4. 识别文字顺序错乱：PaddleOCR 默认按文本框从上到下、从左到右排序，多栏复杂文档可搭配版面分析 PP-Structure 还原阅读顺序；
5. 涉密离线项目：安装完成后断开网络即可使用，所有推理流程本地完成，无文件上传行为，满足数据安全要求。

七、总结

本次 AI 文档项目的 PDF 解析卡点，核心根源是区分文字原生 PDF与图像扫描 PDF两套处理逻辑，原生文本直接提取，扫描图像依赖 OCR 工具转文字。

PaddleOCR 凭借离线轻量化、中文高识别率、开箱即用的特性，完美解决扫描 PDF 无法送入大模型的痛点，整套流程代码简洁、部署门槛低，不需要深厚深度学习基础即可落地。不管是个人小工具、企业批量文档归档，还是 RAG 知识库前置文档解析，都可以采用这套「PDF 分页转图 + PaddleOCR 识别」方案，规避商用 OCR 接口成本与数据安全风险。

后续可基于该流程拓展表格识别、手写文字识别、PDF 结构化导出等功能，适配更多复杂办公、政务、金融类 PDF 解析场景。

知识拓展：

 对于本地使用,请根据您的需求参考以下文档:

• PP-OCR系列：查看PP-OCR文档
• PaddleOCR-VL系列：查看PaddleOCR-VL文档
• PP-StructureV3：查看PP-StructureV3文档
• 更多能力：查看更多能力文档

例如API常用 PaddleOCR-VL系列：

2026年5月28日，官方发布了 PaddleOCR-VL-1.6。PaddleOCR-VL-1.6 以 96.3% 精度再次刷新评测集 OmniDocBench v1.6，并在 OmniDocBench v1.5、Real5-OmniDocBench 上同步达到全新 SOTA，文本、公式、表格识别全面领先开源与闭源方案。此外，模型在古籍、生僻字识别上大幅提升，印章、spotting、图表识别等多场景能力也显著增强，且模型结构与 PaddleOCR-VL-1.5 完全一致，支持零成本无缝迁移。

PaddleOCR-VL 整体由版面分析与 VLM 识别两个核心阶段组成。下图展示了一个简化的流程：