PDF with AI OCR 是一套高效的多语言 PDF 文本提取工具，利用 Google Gemini AI 强大的视觉识别能力，能够精确提取 PDF 中的各种语言文本，包括中文、英文、日语等混合内容，并保持原始排版格式。
- 🔍 高精度文本识别：利用 Gemini AI 视觉能力提取文本，精确度远超传统 OCR
- 🌐 多语言支持：完美支持中文、英文、日语等混合内容
- 📝 保留原始排版：保持原文档的格式、段落和布局
- 🔄 多 API 密钥轮换：自动在多个 API 密钥之间切换，有效应对配额限制
- 💾 断点续传功能：支持中断后从上次处理位置继续
- 📊 进度监控：实时显示处理进度和剩余时间估计
- 📘 Markdown 输出：生成规范的 Markdown 文件，便于后续处理
flowchart TD
start[开始使用 PDFwithAIOCR] --> prepare[准备 PDF 文件和 API 密钥]
prepare --> decision{大型/复杂 PDF?}
decision -->|是| split[PDF 拆分]
decision -->|否| extract[PDF 文本提取]
split --> |使用 pdf2pdfs.py| splitprocess["运行: python pdf2pdfs.py -i\n(将 PDF 拆分为单页 PDF)"]
splitprocess --> extract
extract --> |使用 gemini_pdf_extractor.py| extractprocess["运行: python gemini_pdf_extractor.py -i\n(AI 识别并提取 PDF 文本)"]
extractprocess --> |生成多个 .md 文件| merge[合并 Markdown 文件]
merge --> |使用 merge_markdown_outputs.py| mergeprocess["运行: python merge_markdown_outputs.py -i\n(合并所有 Markdown 为单一文件)"]
mergeprocess --> |生成最终 .md 文件| result[获得最终 Markdown 文档]
result --> finish[完成!]
classDef optional fill:#f9f,stroke:#333,stroke-width:2px;
classDef mandatory fill:#bbf,stroke:#333,stroke-width:2px;
classDef result fill:#bfb,stroke:#333,stroke-width:2px;
class split,splitprocess optional;
class extract,extractprocess,merge,mergeprocess mandatory;
class result,finish result;
- Python 3.8 或以上版本
- Google AI Studio API 密钥 (获取方法见下文)
- 如果在中国大陆，需要可以访问 Google 服务的网络环境
git clone https://github.com/buynonsense/PDFwithAIOCR.git
cd PDFwithAIOCR或者直接从 GitHub 下载 ZIP 文件并解压。
pip install -r requirements.txt- 访问 Google AI Studio
- 登录您的 Google 账号
- 点击"创建 API 密钥"按钮
- 复制生成的 API 密钥
- 将 API 密钥保存到文本文件中，例如
api_keys.txt（每行一个密钥）
- 创建一个文件夹（例如
pdf_files），将您想要处理的 PDF 文件放入其中 - 确保 PDF 文件名不含特殊字符，最好使用英文和数字
- 创建一个文本文件
api_keys.txt - 每行粘贴一个 Google AI Studio API 密钥
- 保存文件到项目目录下
在命令行中运行：
python gemini_pdf_extractor.py -i程序将启动交互模式，引导您输入所有必要参数：
- 输入 PDF 文件夹路径：输入存放 PDF 文件的文件夹路径
- 输入 API 密钥文件路径：输入
api_keys.txt的路径 - 选择输出文件夹：指定存储结果的文件夹
- 选择是否使用代理：如果在中国大陆需要设置代理，例如
http://localhost:7890 - 确认设置后，程序将开始处理 PDF 文件
提取完成后，可以将所有生成的 Markdown 文件合并为一个文件：
python merge_markdown_outputs.py -i同样，程序将引导您输入必要参数：
- 输入 Markdown 文件夹路径：输入上一步输出的文件夹路径
- 输入合并后的输出文件路径：指定合并后文件的保存位置
- 输入合并文档的标题：设置合并后文档的主标题
- 选择其他选项：如是否添加文件标题、分隔线等
python gemini_pdf_extractor.py --help主要参数：
--api-key: 单个 Google API 密钥--key-file: 包含多个 API 密钥的文件路径--pdf-folder: PDF 文件所在文件夹（必需）--output-folder: 输出结果保存文件夹（必需）--proxy: 代理服务器地址，例如 http://localhost:7890--no-proxy: 不使用任何代理--resume: 从上次中断位置继续处理-i,--interactive: 启动交互模式
python merge_markdown_outputs.py --help主要参数：
--input-folder: 包含 Markdown 文件的文件夹路径--output-file: 合并后输出的文件路径--title: 合并文档的标题--no-headers: 不为每个文件添加标题--no-separator: 不在文件之间添加分隔线-i,--interactive: 启动交互模式
如果您在中国大陆访问 Google API，可能需要设置代理：
python gemini_pdf_extractor.py --pdf-folder ./pdf_files --output-folder ./output --key-file ./api_keys.txt --proxy http://localhost:7890Google AI Studio 的免费 API 密钥有每分钟和每天的配额限制。解决方法：
- 准备多个 Google 账号，获取多个 API 密钥
- 在
api_keys.txt中每行放一个密钥 - 程序会自动在密钥之间轮换
您可以限制处理范围：
python gemini_pdf_extractor.py --pdf-folder ./pdf_files --output-folder ./output --key-file ./api_keys.txt --start 0 --end 10这样只会处理前 10 个 PDF 文件。
添加 --resume 参数即可从上次中断位置继续：
python gemini_pdf_extractor.py --pdf-folder ./pdf_files --output-folder ./output --key-file ./api_keys.txt --resume- 确保使用稳定的网络连接和高速代理
- 使用多个 API 密钥以避免触发速率限制
- PDF 文件过大时，考虑先拆分后处理
PDFwithAIOCR/
├── gemini_pdf_extractor.py # 主要提取工具
├── merge_markdown_outputs.py # Markdown合并工具
├── pdf2pdfs.py # PDF拆分工具（高级用户）
├── requirements.txt # 依赖项列表
├── README.md # 本文档
└── api_keys.txt # 存放API密钥（需自行创建）
- API 密钥管理：不要公开分享您的 API 密钥，它与您的 Google 账号关联
- 处理大文件：对于大型 PDF，建议先将其拆分为多个小文件处理
- 关注日志：程序会生成详细的日志，帮助您排除可能的问题
- 格式微调：生成的 Markdown 可能需要根据实际情况进行微调
- 批量处理：对于大量 PDF，可以考虑编写批处理脚本自动处理
有些 PDF 可能过于复杂，可以先拆分为单页以获得更好的识别效果：
python pdf2pdfs.py -i这将引导您将复杂的 PDF 拆分为单页 PDF，然后再使用主程序处理。
欢迎提交问题和改进建议！如果您发现任何 bug 或有好的想法，请在 GitHub 上提交 Issue 或 Pull Request。