ocr_platform/ocr_tools/paddle_vl_tool

PaddleOCR-VL 批量处理工具

基于 PaddleOCR-VL 的批量文档处理工具，支持 PDF 和图片文件的批量处理。

功能特性

• ✅ 统一输入接口：支持 PDF 文件、图片文件、图片目录、文件列表（.txt）、CSV 文件
• ✅ 自动判断输入类型：根据输入路径自动识别文件类型并处理
• ✅ 页面范围支持：PDF 文件和图片目录支持指定页面范围（如 1-5,7,9-12）
• ✅ 成功判断优化：基于输出文件存在性判断处理是否成功
• ✅ 数字标准化：自动将全角数字转换为半角（可选）
• ✅ Dry run 模式：验证配置和输入，不执行实际处理
• ✅ 增强适配器：支持表格识别和文档预处理的增强功能（可选）
• ✅ 进度显示：实时显示处理进度和统计信息

安装依赖

conda activate py312

# 安装 PaddleX
pip install paddlex

# 安装其他依赖
pip install loguru tqdm pillow

使用方法

基本用法

# 处理单个PDF文件
python main.py --input document.pdf --output_dir ./output

# 处理图片目录
python main.py --input ./images/ --output_dir ./output

# 处理文件列表
python main.py --input file_list.txt --output_dir ./output

# 处理CSV文件（失败的文件）
python main.py --input results.csv --output_dir ./output

高级用法

# 指定页面范围（PDF或图片目录）
python main.py --input document.pdf --output_dir ./output --pages "1-5,7"

# 只处理前10页（PDF或图片目录）
python main.py --input document.pdf --output_dir ./output --pages "-10"

# 从第5页到最后（PDF或图片目录）
python main.py --input document.pdf --output_dir ./output --pages "5-"

# 仅验证配置（dry run）
python main.py --input document.pdf --output_dir ./output --dry_run

# 使用 DEBUG 日志级别获取详细错误信息
python main.py --input document.pdf --output_dir ./output --log_level DEBUG

# 指定 Pipeline 配置文件
python main.py --input document.pdf --output_dir ./output --pipeline ../paddle_common/config/PaddleOCR-VL-Client-RT-DETR-H_layout_17cls.yaml

# 指定设备
python main.py --input document.pdf --output_dir ./output --device cpu

# 禁用数字标准化
python main.py --input document.pdf --output_dir ./output --no-normalize

# 禁用增强适配器
python main.py --input document.pdf --output_dir ./output --no-adapter

参数说明

输入输出参数

• --input, -i: 输入路径（必需）

  • PDF 文件：自动转换为图片处理
  • 图片文件：直接处理
  • 图片目录：扫描所有图片文件
  • 文件列表（.txt）：每行一个文件路径
  • CSV 文件：读取失败的文件列表

• --output_dir, -o: 输出目录（必需）

PaddleOCR-VL Pipeline 参数

• --pipeline: Pipeline 名称或配置文件路径（默认: PaddleOCR-VL）

  • 可以是内置 pipeline 名称（如 PaddleOCR-VL）
  • 也可以是配置文件路径（如 ../paddle_common/config/PaddleOCR-VL-Client-RT-DETR-H_layout_17cls.yaml）

• --device: 设备字符串（默认: gpu:0）

  • 格式：gpu:0, gpu:1, cpu 等

• --pdf_dpi: PDF 转图片的 DPI（默认: 200）

处理参数

• --batch_size: 批次大小（默认: 1，PaddleX 通常单张处理）
• --pages, -p: 页面范围（PDF和图片目录有效）
  • 格式："1-5,7,9-12"（第1-5页、第7页、第9-12页）
  • "1-"：从第1页到最后
  • "-10"：前10页
• --collect_results: 收集处理结果到指定CSV文件

功能开关

• --no-normalize: 禁用数字标准化（默认启用）
• --no-adapter: 禁用增强适配器（默认启用）
• --dry_run: 仅验证配置，不执行处理

日志参数

• --log_level: 日志级别（DEBUG, INFO, WARNING, ERROR，默认: INFO）
• --log_file: 日志文件路径

输出格式

输出目录结构：

output_dir/
├── filename.md              # Markdown 内容
├── filename.json            # Content list JSON
├── filename_*.jpg           # 输出图像（如 layout、table 等）
├── filename_original.md     # 原始 Markdown（如果启用标准化且发生变化）
└── filename_original.json   # 原始 JSON（如果启用标准化且发生变化）

成功判断标准

处理成功的判断标准：

• 输出目录中存在对应的 .md 文件
• 输出目录中存在对应的 .json 文件

如果两个文件都存在，则认为处理成功。

统计信息

处理完成后会显示：

• 文件统计：总文件数、成功数、失败数、跳过数
• 性能指标：总耗时、吞吐量、平均处理时间
• 标准化统计：总标准化字符数（如果启用）

结果会保存到 {output_dir}_results.json 文件中。

示例

示例1：处理PDF文件

python main.py \
  --input /path/to/document.pdf \
  --output_dir ./output \
  --pages "1-10" \
  --pipeline ../paddle_common/config/PaddleOCR-VL-Client-RT-DETR-H_layout_17cls.yaml \
  --device cpu \
  --log_level DEBUG

示例2：批量处理图片目录

python main.py \
  --input /path/to/images/ \
  --output_dir ./output \
  --log_file ./processing.log

示例3：Dry run 验证

python main.py \
  --input /path/to/document.pdf \
  --output_dir ./output \
  --dry_run

示例4：处理失败的文件（从CSV）

python main.py \
  --input processed_files.csv \
  --output_dir ./output \
  --pipeline PaddleOCR-VL

注意事项

1. Pipeline 配置：确保 Pipeline 配置文件路径正确，或使用内置的 pipeline 名称
2. 设备配置：根据实际情况设置 --device 参数（GPU 或 CPU）
3. 内存使用：处理大文件时注意内存使用情况
4. 文件命名：PDF 页面会转换为 filename_page_001.png 格式
5. 页面范围：页面编号从 1 开始（不是 0）
6. 增强适配器：默认启用增强适配器，可以提升表格识别和文档预处理的效果

故障排查

问题：Pipeline 初始化失败

• 检查 Pipeline 配置文件路径是否正确
• 确认 PaddleX 已正确安装
• 检查设备配置（GPU/CPU）是否正确

问题：处理失败

• 使用 --log_level DEBUG 获取详细错误信息和 traceback
• 检查输出目录权限
• 查看日志文件获取更多信息

问题：输出文件不存在

• 检查处理是否真的失败（查看错误信息）
• 确认输出目录路径正确
• 检查磁盘空间是否充足

问题：适配器应用失败

• 检查 PaddleX 版本是否支持适配器
• 可以尝试使用 --no-adapter 禁用适配器
• 查看日志获取详细错误信息

相关工具

• ocr_utils: OCR 工具包，提供 PDF 处理、文件处理等功能
• paddle_common: PaddleX 共享核心模块（处理器、工具函数、适配器）
• PaddleX: 文档解析框架

与 PP-StructureV3 工具的差异

1. 默认 Pipeline：PaddleOCR-VL 工具默认使用 PaddleOCR-VL pipeline
2. 参数命名：PaddleOCR-VL 使用驼峰命名（如 useLayoutDetection），PP-StructureV3 使用下划线命名（如 use_layout_detection）
3. 功能差异：PaddleOCR-VL 专注于视觉语言模型，PP-StructureV3 提供更全面的文档结构分析