markitdown-paddleocr 0.1.0

Intelligent PDF/Image to Markdown converter using PaddleOCR cloud API

markitdown-paddleocr

智能 PDF/图片转 Markdown 插件，使用百度 PaddleOCR 云端 API 驱动的 OCR 识别。

特性

• 🔍 智能检测：自动识别每页内容类型（纯文本 vs 图片/表格）
• 📄 默认解析：纯文本页面使用 pdfplumber/pdfminer 提取，速度快、成本低
• 🤖 AI 增强：复杂页面（图片、表格）使用 PaddleOCR API 转换为 Markdown
• 🔄 异步 Job 模型：提交 OCR 任务 → 轮询状态 → 获取结果
• 📊 结构化输出：返回 Markdown（含表格、公式、图表等）

安装

pip install markitdown-paddleocr

配置

环境变量（推荐）

# 必需：百度 PaddleOCR Token
export BAIDU_PADDLE_TOKEN="your-paddle-token"

# 可选
export PADDLE_OCR_MODEL="PaddleOCR-VL-1.5"   # 模型名称

配置优先级

构造函数参数 > 环境变量 > 内置默认值

使用方法

命令行（推荐）

# 1. 设置 Token
export BAIDU_PADDLE_TOKEN="your-token"

# 2. 查看已安装插件
markitdown --list-plugins

# 3. 使用插件转换 PDF
markitdown -p document.pdf

# 4. 保存到文件
markitdown -p document.pdf -o output.md

Python API

from markitdown import MarkItDown
from markitdown_paddleocr import PaddleOcrConverter

# 方式1：自动从环境变量读取 BAIDU_PADDLE_TOKEN
converter = PaddleOcrConverter()
md = MarkItDown(enable_plugins=False)
md.register_converter(converter, priority=-1.0)
result = md.convert("document.pdf")
print(result.markdown)

# 方式2：手动传入 Token
converter = PaddleOcrConverter(token="your-token")
md = MarkItDown(enable_plugins=False)
md.register_converter(converter, priority=-1.0)
result = md.convert("document.pdf")
print(result.markdown)

# 方式3：强制所有页面使用 OCR
converter = PaddleOcrConverter(token="your-token", force_ai=True)
md = MarkItDown(enable_plugins=False)
md.register_converter(converter, priority=-1.0)
result = md.convert("document.pdf")
print(result.markdown)

直接使用 PaddleClient

from markitdown_paddleocr import PaddleClient

client = PaddleClient(token="your-token")

# 本地文件
markdown = client.ocr(file_bytes=open("image.png", "rb").read(), filename="image.png")
print(markdown)

# URL 模式
markdown = client.ocr(file_url="https://example.com/document.pdf")
print(markdown)

配置选项

PaddleOcrConverter 参数

参数	类型	默认值	说明
token	str	环境变量 BAIDU_PADDLE_TOKEN	PaddleOCR Token
model	str	PaddleOCR-VL-1.5	OCR 模型名称
poll_interval	float	2.0	轮询间隔（秒）
poll_timeout	float	300.0	轮询超时（秒）
force_ai	bool	False	强制所有页面使用 OCR
use_doc_orientation_classify	bool	False	文档方向分类
use_doc_unwarping	bool	False	文档去扭曲
use_chart_recognition	bool	False	图表识别

环境变量

变量	说明	示例
BAIDU_PADDLE_TOKEN	Token（必需）	7963b85a...
PADDLE_OCR_MODEL	模型名称	PaddleOCR-VL-1.5

工作原理

PDF/图片 输入
    │
    ▼
PaddleOcrConverter.convert()
    │
    ├─ 图片文件 ──► PaddleClient.ocr() ──► markdown
    │
    └─ PDF 文件 ──► 逐页分析内容类型
          │
          ├─ 纯文本页 ──► pdfplumber 提取文本
          │
          └─ 复杂页（图片/表格）
                │
                └─► 渲染为图片 ──► PaddleClient.ocr()
                      │
                      ├─ POST /api/v2/ocr/jobs  (提交 Job)
                      ├─ GET  /api/v2/ocr/jobs/{id}  (轮询状态)
                      └─ GET  jsonUrl  (获取 JSONL 结果)
    │
    ▼
合并输出完整 Markdown

依赖

• markitdown>=0.1.0 - 基础框架
• pdfplumber>=0.11.9 - PDF 解析和截图
• pdfminer.six>=20251230 - 文本提取备用
• Pillow>=9.0.0 - 图像处理
• requests>=2.28.0 - HTTP 请求

许可证

MIT