Mistral OCR PDF 处理工具

这个项目是一个简单但强大的工具，用于使用 Mistral AI 的 OCR (光学字符识别) 功能处理 PDF 文件。该工具能够从 PDF 文档中提取文本内容和图像，并将结果保存为 Markdown 格式。

功能特点

• 使用 Mistral AI 的 OCR 能力处理 PDF 文件
• 自动提取文本内容并保留原始布局
• 提取并保存 PDF 中的图像
• 生成包含完整内容的 Markdown 文件
• 支持中文等多种语言

安装要求

运行此工具需要以下依赖项：

pip install mistralai flask

使用方法

1. 设置环境变量:

   • 获取您的 Mistral AI API 密钥。
   • 设置 MISTRAL_API_KEY 环境变量。例如，在 Linux 或 macOS 上：

     export MISTRAL_API_KEY="your_actual_api_key"

     在 Windows 上，您可以在 PowerShell 中使用:

     $Env:MISTRAL_API_KEY="your_actual_api_key"

     或者通过系统属性设置。

2. 运行脚本:

   • 使用以下命令运行脚本，将 your_document.pdf 替换为您的 PDF 文件的实际路径：

     python pdf_ocr.py your_document.pdf

   • 您可以选择使用 -o 或 --output_dir 参数指定自定义输出目录：

     python pdf_ocr.py your_document.pdf -o custom_output_folder

     如果未提供输出目录，结果将保存在名为 ocr_results_[PDF文件名] 的文件夹中，该文件夹将在脚本运行的目录中创建。

3. 启动 Web UI:

   • 通过以下命令启动简易 Web 界面，可一次上传并处理多个 PDF 文件：

     python webui.py

   • 浏览器访问 http://localhost:8080 即可使用。上传的文件必须是 PDF，处理完成后会提供打包好的 ZIP 下载。
   • 新版界面使用 Bootstrap 样式，美观且易用。

输出结果

脚本将根据指定的输出目录（或默认目录 ocr_results_[PDF文件名]）创建一个文件夹，其中包含：

• complete.md: 包含所有页面内容的 Markdown 文件
• images/: 保存 PDF 中提取出的所有图像的文件夹

注意事项

• 请确保提供的 PDF 文件路径正确且文件可访问。
• API 密钥需要具有 OCR 功能的访问权限。
• 如果指定的输出目录已存在，脚本仍会尝试在其中创建 images 子目录和 complete.md 文件。现有同名文件可能会被覆盖。