基于 PaddleOCR + GPU 加速 + 多进程并行，将扫描版 PDF 转换为可全文检索、可复制文字的高质量可搜索 PDF。
- ✅ 高精度 OCR：使用 PaddleOCR v5 服务端模型，支持中文、英文、符号混合识别
- ✅ 复杂排版支持：自动处理竖排文字、旋转文本、倾斜页面
- ✅ GPU 自动加速：检测 CUDA 环境，自动启用 GPU 提升速度（3~5 倍提速）
- ✅ 多核并行处理：利用多进程同时处理 PDF 多页，大幅提升吞吐量
- ✅ 无损输出：原始图像完全保留，OCR 文字以透明层叠加，仅用于搜索/复制
- ✅ 小体积输出：自动压缩 PDF，减少文件大小
- ✅ 跨平台支持：Windows / Linux / macOS 均可运行
pip install paddleocr PyMuPDF Pillow reportlab tqdm💡 GPU 用户：请安装
paddlepaddle-gpu：pip uninstall -y paddlepaddle pip install paddlepaddle-gpu -f https://www.paddlepaddle.org.cn/whl/stable.html
.
├── ocr_pdf_gpu_multicore.py # 主程序脚本
├── input_pdfs/ # ← 放入待处理的 PDF 文件
├── output_pdfs/ # ← 输出结果（自动生成）
├── pdf_pages/ # ← 临时文件目录（可自动清理）
└── fonts/
└── PingFang-SC-Regular.ttf # ← 中文字体（可替换）
🔧 字体说明：
- 默认使用
./fonts/PingFang-SC-Regular.ttf- 若缺失，程序会降级使用系统字体（可能影响中文显示）
- 推荐替换为 思源黑体 或本地中文字体
INPUT_DIR = "./input_pdfs" # 输入目录
OUTPUT_DIR = "./output_pdfs" # 输出目录
TEMP_ROOT = "./pdf_pages" # 临时文件目录
FONT_PATH_CN = "./fonts/PingFang-SC-Regular.ttf"
MAX_WORKERS = 4 # 并行进程数（建议 ≤ CPU 核心数）
DPI = 300 # 渲染精度（越高越清晰，但更慢）
KEEP_TEMP = False # 是否保留临时文件（调试时设为 True）- 将待处理的 PDF 文件放入
./input_pdfs/目录 - 确保中文字体存在（或修改
FONT_PATH_CN） - 运行脚本：
python ocr_pdf_gpu_multicore.py- 按提示输入 PDF 序号（如
1） - 等待处理完成，结果保存在
./output_pdfs/xxx_ocr.pdf
✅ 输出 PDF 支持：
- 全文搜索（Ctrl+F）
- 文字复制粘贴
- 保持原始图像质量
- 小体积（自动压缩）
| 环境 | PDF 页数 | 处理时间 |
|---|---|---|
| i7-13700H + RTX 4060 (GPU) | 100 页 | ≈ 1.5 分钟 |
| i7-13700H (CPU only) | 100 页 | ≈ 8 分钟 |
提示：
DPI=300适用于大多数文档；若对速度要求高，可降至200。
A: 下载中文字体（如 PingFang SC 或 思源黑体），放入 ./fonts/ 目录，或修改 FONT_PATH_CN 路径。
A: 确认已安装 paddlepaddle-gpu，且 CUDA 驱动版本兼容。运行时应看到提示：“检测到 GPU，使用 GPU 加速”。
A: 尝试降低 DPI（如 200）或减少 MAX_WORKERS（如 2）。
A: 修改脚本，注释掉用户选择部分，改为遍历 pdf_files 列表自动处理。
MIT License — 允许自由使用、修改、商用。
- PaddleOCR：强大的开源 OCR 引擎
- PyMuPDF (fitz)：高效 PDF 处理库
- ReportLab：生成 PDF 的标准工具
💡 提示：本工具适用于学术文献、历史档案、工程图纸、合同扫描件等场景。
👉 CSDN 博客地址： https://blog.csdn.net/weixin_46244623