文档处理
pdf文档
简介
-
流程：PDF文档 → 水印检测与去除 → 文本提取 → 图片提取 → 表格提取 → 结构化输出
-
文档类型 ：电子PDF，
PDF文档分为两种类型，处理策略完全不同：
电子PDF：由办公软件直接生成的PDF，包含可编辑的文本层。推荐使用 PyMuPDF 直接提取（性能最好），表格提取需 PyMuPDF 1.23.0+ 版本。
扫描件PDF：由扫描仪生成的PDF，本质是图片集合，没有文本层，必须通过OCR识别。推荐使用 PaddleOCR（中文识别最佳）或 Tesseract。
水印
水印在 PDF 中的存在形式主要有三种：
- 文本水印（如"草稿"、"机密"等文字）
- 图像水印（公司 Logo、背景图等）
- 动态生成的水印（添加在 PDF 图层上的印章或注释）
扫描件
-扫描件本质上是图片集合，文档中没有可编辑的文字层，必须依赖图像处理和OCR技术
Nanonets-OCR-s
一站式OCR大模型，推荐）
Nanonets-OCR-s是基于Qwen2.5-VL-3B微调的开源视觉语言模型，一次解析直接输出文档中的文本、表格、图片、水印、公式、签名等所有内容，输出为结构化Markdown格式
。
核心能力：
检测并提取水印文本（输出到 <watermark> 标签内）提取复杂表格并转换为Markdown/HTML表格
生成图像描述（输出到 标签内）
识别数学公式并转换为LaTeX
限制：输入必须是图像，需先将PDF转换为图片（使用 pdf2image 库）
部署：模型权重已开源在 Hugging Face：nanonets/Nanonets-OCR-s