imagepdf2txt

使用 PaddleOCR 將圖片型 PDF 檔案轉換成純文字。支援中文（繁體/簡體）、英文、日文等多種語言。

功能特色

• 智慧段落識別：根據文字位置自動分組成段落，保留原始文件結構
• 表格識別：支援表格結構識別，輸出為 ASCII 表格格式
• 簡繁轉換：內建簡體中文轉繁體中文（台灣用語）功能
• LLM 翻譯：整合 LLM API 進行多語言翻譯
• GPU 加速：支援 NVIDIA GPU 加速處理

系統需求

• Python 3.10 - 3.12
• NVIDIA GPU（可選，但建議使用以加速處理）
• poppler-utils（用於 PDF 轉圖片）

安裝 poppler-utils

# Ubuntu/Debian
sudo apt install poppler-utils

# macOS
brew install poppler

# Windows
# 下載 poppler for Windows：https://github.com/oschwartz10612/poppler-windows/releases

安裝

使用 uv 管理 Python 環境：

# 複製專案
git clone https://github.com/joshhu/imagepdf2txt.git
cd imagepdf2txt

# 建立虛擬環境
uv venv --python 3.12

# 安裝 GPU 版本依賴（建議）
uv pip install paddlepaddle-gpu -i https://www.paddlepaddle.org.cn/packages/stable/cu126/
uv pip install --index-strategy unsafe-best-match "paddleocr @ git+https://github.com/PaddlePaddle/PaddleOCR.git" pdf2image opencc-python-reimplemented prettytable lxml

# 或安裝 CPU 版本依賴
uv pip install paddlepaddle -i https://www.paddlepaddle.org.cn/packages/stable/cpu/
uv pip install --index-strategy unsafe-best-match "paddleocr @ git+https://github.com/PaddlePaddle/PaddleOCR.git" pdf2image opencc-python-reimplemented prettytable lxml

使用方式

基本 OCR

將 PDF 轉換為純文字（保留段落結構）：

uv run python main.py document.pdf

輸出檔案預設為 document.txt。

表格識別模式

啟用表格識別，將表格輸出為 ASCII 格式：

uv run python main.py document.pdf --table

簡體轉繁體（台灣用語）

將簡體中文 PDF 轉換為繁體中文（台灣用語）：

uv run python pdf_to_tw.py document.pdf

輸出檔案預設為 document_tw.txt。

LLM 翻譯

使用 LLM 進行文件翻譯（需設定 API Key）：

# 使用百度千帆 API
uv run python pdf_translate.py document.pdf --api-key YOUR_API_KEY

# 使用本地 Ollama 服務
uv run python pdf_translate.py document.pdf \
    --api-key ollama \
    --api-base-url http://localhost:11434/v1 \
    --model qwen2.5:7b

# 翻譯成英文
uv run python pdf_translate.py document.pdf --target-lang en --api-key YOUR_API_KEY

命令列選項

main.py（核心 OCR 工具）

選項	說明
-o, --output	輸出檔案路徑
--dpi	PDF 轉圖片解析度（預設：300）
--lang	OCR 語言（ch/en/japan，預設：ch）
--table	啟用表格識別模式
--para-gap	段落間距閾值（預設：1.5）
--no-paragraph	不保留段落結構
--no-separator	不加入頁面分隔線
--cpu	強制使用 CPU

pdf_to_tw.py（簡繁轉換）

選項	說明
-o, --output	輸出檔案路徑
--dpi	PDF 轉圖片解析度（預設：300）
--no-translate	只做 OCR，不轉換簡繁
--no-separator	不加入頁面分隔線
--cpu	強制使用 CPU

pdf_translate.py（LLM 翻譯）

選項	說明
-o, --output	輸出目錄
-t, --target-lang	目標語言代碼（預設：zh-TW）
--api-key	LLM API Key
--api-base-url	LLM API 基礎 URL
--model	模型名稱（預設：ernie-3.5-8k）
--chunk-size	分塊翻譯字符閾值（預設：5000）
--cpu	強制使用 CPU

支援的語言代碼（翻譯功能）

代碼	語言
zh-TW	繁體中文（台灣）
zh-CN	簡體中文
en	英文
ja	日文
ko	韓文
fr	法文
de	德文
es	西班牙文

專案結構

imagepdf2txt/
├── main.py          # 核心 OCR 工具
├── pdf_to_tw.py     # 簡體轉繁體工具
├── pdf_translate.py # LLM 翻譯工具
├── pyproject.toml   # 專案配置
└── README.md        # 說明文件

技術說明

• 使用 PaddleOCR 3.x 進行 OCR 識別
• 使用 PPStructureV3 進行表格識別與版面分析
• 使用 OpenCC 進行簡繁轉換（s2twp 配置）
• 使用 pdf2image 將 PDF 轉換為圖片
• 表格輸出使用 prettytable 格式化

授權

MIT License