pdf-ocr-skill은(는) 무엇을 하나요?
네 가지 엔진을 지원하는 PDF OCR 인식 스킬로, 스캔된 PDF 파일과 이미지 파일에서 중·영문 텍스트를 추출할 수 있습니다.
특징
- 네 가지 OCR 엔진 지원: Tesseract, PaddleOCR, EasyOCR, Surya OCR
- 중·영문 텍스트 추출: 최적화된 언어 모델로 정확도 향상
- 다양한 입력 형식: PDF, PNG, JPG, TIFF 등
- CLI 지원: 명령줄에서 직접 실행 가능
- API 지원: REST API로 통합 가능
사용 방법
CLI 사용
# PDF 파일 처리
pdf-ocr --input document.pdf --output result.txt
# 이미지 파일 처리
pdf-ocr --input image.png --output output.txt
API 사용
from pdf_ocr import PDFOCR
ocr = PDFOCR(engine='paddle') # 엔진 선택: tesseract, paddle, easyocr, surya
result = ocr.process('document.pdf')
print(result)
지원 엔진
| 엔진 | 언어 지원 | 특징 |
|---|---|---|
| Tesseract | 중·영문 | 오픈소스, 빠름 |
| PaddleOCR | 중·영문 | 중국어에 최적화 |
| EasyOCR | 중·영문 | 사용 쉬움 |
| Surya OCR | 중·영문 | 최신 모델, 높은 정확도 |
설치
pip install pdf-ocr-skill
환경 변수
OCR_ENGINE: 사용할 OCR 엔진 (기본값:tesseract)OCR_LANG: 언어 설정 (기본값:chi_sim+eng)OCR_DPI: DPI 설정 (기본값:300)