Que fait pdf-ocr-skill ?
Compétence de reconnaissance OCR PDF avec quadruple moteur, capable d'extraire du texte chinois et anglais à partir de fichiers PDF scannés et de fichiers image.
Fonctionnalités
- Support de quatre moteurs OCR : Tesseract, PaddleOCR, EasyOCR, Surya
- Extraction de texte à partir de PDF scannés (via conversion d'image)
- Extraction de texte à partir de fichiers image (jpg, png, etc.)
- Support du chinois et de l'anglais
- Sortie structurée : texte brut, confiance par caractère, disposition des blocs
Installation
pip install -r requirements.txt
Assurez-vous que Tesseract-OCR est installé sur votre système :
- Ubuntu/Debian :
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-eng - macOS :
brew install tesseract tesseract-lang - Windows : Téléchargez depuis GitHub UB-Mannheim/tesseract
Utilisation
from pdf_ocr_skill import PDFOCRProcessor
processor = PDFOCRProcessor(moteur="paddleocr")
texte = processor.extraire_texte("chemin/vers/fichier.pdf")
print(texte)
texte_image = processor.extraire_texte("chemin/vers/image.png")
print(texte_image)
Moteurs disponibles
| Moteur | Langues | Qualité recommandée |
|---|---|---|
| Tesseract | chi_sim+eng | Documents simples |
| PaddleOCR | chinois+anglais | Haute précision pour le chinois |
| EasyOCR | chinois+anglais | Bon équilibre vitesse/précision |
| Surya | multilingue | Documents complexes (mise en page) |
Configuration
Variable d'environnement : OCR_ENGINE (valeur par défaut : paddleocr)
Licence
MIT