# ppocr

**Repository Path**: fmscole/ppocr

## Basic Information

- **Project Name**: ppocr
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-10
- **Last Updated**: 2026-06-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# PaddleOCR Tools

基于 [PaddleOCR-VL-1.6](https://github.com/PaddlePaddle/PaddleOCR) 视觉大模型的文档解析工具集。

## 工具

| 脚本 | 功能 |
|------|------|
| `tools/img2md.py` | 图片/PDF → Markdown（基于 PaddleOCR-VL-1.6） |
| `tools/md2docx.py` | Markdown → Word 文档（基于 Pandoc） |

## 环境

```bash
# 安装 PaddlePaddle 3.x（CUDA 12.6）
pip install paddlepaddle-gpu==3.2.0 --index-url https://www.paddlepaddle.org.cn/packages/stable/cu126/

# 安装依赖
pip install paddlex tqdm opencv-python numpy pandoc
```

## 用法

### 图片/PDF → Markdown

```bash
# 单张图片
python tools/img2md.py -i doc.png

# 输出到文件
python tools/img2md.py -i doc.png -o output.md

# PDF 多页处理
python tools/img2md.py -i doc.pdf -o output/

# 多页合并为一个文件
python tools/img2md.py -i doc.pdf -o output.md --merge

# 调试模式（打印每步耗时）
python tools/img2md.py -i doc.png --debug

# 防卡死：单文件超时 300 秒
python tools/img2md.py -i doc.pdf --timeout 300

# 卡死时在另一个终端 dump 堆栈
kill -USR1 $(pgrep -f img2md.py)
```

### Markdown → Word

```bash
# 将 MD/ 目录下的所有 .md 文件合并为 Word 文档
python tools/md2docx.py -d MD/ -o output.docx
```

## 许可证

Apache 2.0 — 基于 [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR)。

## 常见问题

### MathType 公式转换提示"没有公式被发现或更新"

**原因**: Word 自带的 `OMML2MML.XSL` 转换文件版本过旧，MathType 在转换 OMML 公式时无法正确识别。

**解决**: 使用本项目提供的 `OMML2MML.XSL` 覆盖 Office 安装目录中的同名文件。

```powershell
# 1. 找到本项目中的 OMML2MML.XSL
# 2. 覆盖到 Office 安装目录（需要管理员权限）
copy /Y OMML2MML.XSL "C:\Program Files\Microsoft Office\root\Office16\OMML2MML.XSL"
```

> ⚠️ 操作前建议备份原文件：`copy "C:\Program Files\Microsoft Office\root\Office16\OMML2MML.XSL" OMML2MML.XSL.bak`
>
> Office 版本不同，路径可能略有差异：
> - Office 2016/2019/2021: `C:\Program Files\Microsoft Office\root\Office16\`
> - Office 365: `C:\Program Files\Microsoft Office\root\Office16\`
> - Office 2013: `C:\Program Files\Microsoft Office\Office15\`

docker run -d --gpus all -p 8118:8080 --name ppocr paddleocr:v1.6