pdor 0.2.0

PDF OCR识别工具，用于自动文档提取和分析

pdf-drawing-ocr-recognition: Pdor

定制项目,一个Python库,实现将PDF输入的指定模式的表格进行结构化读取(调用LLM OCR).

使用前准备

环境

• Windows
• Python 3.10+

依赖库

使用pip安装以下依赖库:

• simpsave
• PyPDF2
• pdf2image
• numpy
• opencv-python (cv2)
• pandas
• toml
• pyyaml
• requests

快速指南

安装

项目已经发布在PyPi上,使用pip进行安装:

pip install pdor

库的名称简写为pdor.

然后,在你的项目中导入pdor:

import pdor

环境检查

提供了一个check_env()方法检测pdor是否可用.

示例:

import pdor

status, msg = pdor.check_env()
if not status: # 如果检查不通过
    for info in msg: # 逐项打印错误
        print(info)

• status将是一个布尔值.如果为真,则环境可用.
• msg是一个字符串列表,包括错误信息.

配置

Pdor的运行包含以下配置项:

• max_try: LLM的最大重试次数
• api_url: LLM的API地址
• api_key: LLM的API KEY
• llm_model: 使用的LLM视觉模型

对于每个配置项, 提供getter和setter进行配置.

仅当通过自检时可修改配置

Pdor模式

Pdor模式定义要识别的表格结构.每个模式都是一个PdorPattern实例.

读取模式

使用pattern.load方法读取预设的模式.接受一个参数,即待读取的模式名称.
目前预设了三种模式:

• 700501-8615-72-12 750kV 第四串测控柜A+1端子排图左
• 700501-8615-73-04 第四串W4Q1断路器LCP柜接线图二
• duanzipai

示例:

import pdor
pattern = pdor.pattern.load('700501-8615-73-04 第四串W4Q1断路器LCP柜接线图二')

可以打印Pdor模式

自行构建和保存模式

可以自行实例PdorPattern创建模式.需要以下参数:

• name: str 模式的名称
• prompt: str 发送大模型的Prompt
• dpi: int PDF转换为图片时的DPI
• sub_imgs: list[list[float, float, float, float]] 子图列表.每个子图应该是一个表格.列表每一项都是一个由四个浮点数构成的子列表,分别对应子表位于原图的上,下,左,右百分比位置.如果子图列表为空,会自动生成一个包含整张图片的默认列表.

使用save方法进行存储.接受一个参数,即要写入的PdorPattern,名称和模式名称保持一致.

Pdor模式是只读的

Pdor单元

创建Pdor单元的实例以进行OCR解析.
实例化Pdor需要两个参数:

• 构造的PDF文件路径
• 构造的Pdor模式

可以打印Pdor单元格式化显示信息.Pdor单元是只读的.
调用parse()方法执行Pdor单元解析.可以通过开关print_repr关键字参数控制回显.
调用is_parsed()方法,可以判断是否已经解析.
在成功解析后,访问result属性即可获取结果.
其它可访问的属性包括:

• file: 构造的PDF文件路径
• pattern: 构造的Pdor模式
• time_cost: 解析的用时

示例:

import pdor
from pdor import Pdor

# 构造单元
unit = Pdor("示例PDF.pdf", pdor.pattern.load("示例模式"))

# 打印单元信息
print(unit)

# 执行解析
unit.parse()

# 访问结果和解析耗时
print(f'结果: {unit.result}, 耗时: {unit.time_cost}')

结果

Pdor的结果存储在Pdor实例的result属性中.
仅当解析完毕后才可访问该属性.

输出结果

Pdor封装了常用的输出方式在Out类中.

支持的输出类型包括:

• PLAIN_TEXT
• MARKDOWN
• SIMPSAVE
• JSON
• YAML
• XML
• TOML
• PYTHON

默认输出为SIMPSAVE

Out是一个静态类,其中的静态方法out()自行输出.输出在构造单元的PDF同路径同名文件下.接受三个参数:

• pdor: 待输出的Pdor单元
• out_type: 输出的类型.封装在Out.TYPE枚举中
• print_repr: 开关回显(关键字参数, 缺省值为True)

示例

import pdor

... # 假设我们前面获得了一个Pdor单元unit

Pdor.Out.out(unit, Pdor.Out.TYPE.SIMPSAVE) # 输出至simpsave ini
Pdor.Out.out(unit, Pdor.Out.TYPE.HTML, print_repr=False) # 输出至网页,并关闭回显