diff --git "a/doc/doc_i18n/README_\320\240\321\203\314\201\321\201\321\201\320\272\320\270\320\271 \321\217\320\267\321\213\314\201\320\272.md" "b/doc/doc_i18n/README_\320\240\321\203\314\201\321\201\321\201\320\272\320\270\320\271 \321\217\320\267\321\213\314\201\320\272.md"
new file mode 100644
index 0000000000000000000000000000000000000000..dcf108923ad4403042f1c1be4d067d0ad1fdd2be
--- /dev/null
+++ "b/doc/doc_i18n/README_\320\240\321\203\314\201\321\201\321\201\320\272\320\270\320\271 \321\217\320\267\321\213\314\201\320\272.md"
@@ -0,0 +1,230 @@
+English | [简体中文](README_ch.md)
+
+
+ 
+
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+
+
+
+## Введение
+
+PaddleOCR стремится создавать многоязычные, потрясающие, передовые и практичные инструменты OCR, которые помогают пользователям обучать лучшие модели и применять их на практике
+
+
+
+
+
+
+
+
+
+
+PP-OCRv3 Многоязычная модель
+
+
+
+
+
+
+PP-OCRv3 Aнглийская модель
+
+
+
+
+
+PP-OCRv3 Kитайская модель
+
+
+
+
+PP-Structurev2
+1. анализ макета + распознавание таблиц
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 📄 Лицензия
+Этот проект выпущен под Apache 2.0 license
diff --git "a/doc/doc_i18n/README_\340\244\271\340\244\277\340\244\250\340\245\215\340\244\246.md" "b/doc/doc_i18n/README_\340\244\271\340\244\277\340\244\250\340\245\215\340\244\246.md"
new file mode 100644
index 0000000000000000000000000000000000000000..7ee837598c6f6165aaf0518e0f49780192f8eded
--- /dev/null
+++ "b/doc/doc_i18n/README_\340\244\271\340\244\277\340\244\250\340\245\215\340\244\246.md"
@@ -0,0 +1,228 @@
+English | [简体中文](README_ch.md)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## प्रस्तावना
+पैडलओसीआर का उद्देश्य बहुभाषी,शानदार , ओसीआर और व्यावहारिक ओसीआरउपकरण बनाना है जो यूजर्स को बेहतर मॉडलों के लिए प्रशिक्षित करने और उन्हें व्यवहार में लागू करने में मदद करते हैं।
+
+
+
+
+
+
+
+
+
+
+PP-OCRv3 बहुभाषी मॉडल
+
+
+
+
+
+
+PP-OCRv3 अंग्रेजी मॉडल
+
+
+
+
+
+PP-OCRv3 चीनी मॉडल
+
+
+
+
+PP-Structurev2
+1. लेआउट एनालाइस + टेबल रिकोगनाइजेशन
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 📄 लाइसेंस
+इस प्रोजेक्ट को इन परियोजना के तहत जारी किया गया है Apache 2.0 license
diff --git "a/doc/doc_i18n/README_\346\227\245\346\234\254\350\252\236.md" "b/doc/doc_i18n/README_\346\227\245\346\234\254\350\252\236.md"
new file mode 100644
index 0000000000000000000000000000000000000000..b7059b172a98445f06fca4be8a81be2fa9b3227a
--- /dev/null
+++ "b/doc/doc_i18n/README_\346\227\245\346\234\254\350\252\236.md"
@@ -0,0 +1,227 @@
+English | [简体中文](README_ch.md)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 紹介
+
+PaddleOCR は、さまざまな言語で、優れた最先端かつ実用的な OCR ツールを作成することを目的とし、ユーザーがより優れたモデルをトレーニングし、実践的に対応できるようになるために役立つAIOCRです。
+
+
+
+
+
+
+
+
+
+
+PP-OCRv3 多言語モデル
+
+
+
+
+
+
+PP-OCRv3 英語 モデル
+
+
+
+
+
+PP-OCRv3 中国語 モデル
+
+
+
+
+PP-Structurev2
+1. レイアウト分析＋テーブル認識
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 📄 ライセンス
+このプロジェクトは以下の場所でリリースされています Apache 2.0 license
diff --git "a/doc/doc_i18n/README_\355\225\234\352\265\255\354\226\264.md" "b/doc/doc_i18n/README_\355\225\234\352\265\255\354\226\264.md"
new file mode 100644
index 0000000000000000000000000000000000000000..1ff1db67356b00581f437ac27fc07a112c4bad38
--- /dev/null
+++ "b/doc/doc_i18n/README_\355\225\234\352\265\255\354\226\264.md"
@@ -0,0 +1,224 @@
+English | [简体中文](README_ch.md)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 소개
+
+PaddleOCR은 사용자들이 보다 나은 모델을 훈련하여 실전에 투입하는데 도움을 주는 다중 언어로 된 엄청나게 멋지고 주도적이며 실용적인 OCR 툴을 만드는데 목표를 두고 있습니다.
+
+
+
+
+
+
+
+
+
+PP-OCRv3 다중 언어 모델
+
+
+
+
+
+
+
+PP-OCRv3 영어 모델
+
+
+
+
+
+PP-OCRv3 중국어 모델
+
+
+
+
+
+PP-Structurev2
+1. 레이아웃 분석 + 표 인식
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+## 📄 라이선스
+본 프로젝트는 Apache 2.0 license 하에 출시됨.
diff --git a/ppstructure/pdf2word/README.md b/ppstructure/pdf2word/README.md
index 6edd6a2f3bccbeaa1673d59f5dbb1935a0d6b2c2..11bfec8ab7cca90ffe67577c95edcb07ebc19adf 100644
--- a/ppstructure/pdf2word/README.md
+++ b/ppstructure/pdf2word/README.md
@@ -1,16 +1,27 @@
# PDF2Word
-PDF2Word是PaddleOCR社区开发者[whjdark](https://github.com/whjdark) 基于PP-Structure智能文档分析模型实现的PDF转换Word应用程序，提供可直接安装的exe，方便windows用户运行
+PDF2Word是PaddleOCR社区开发者 [whjdark](https://github.com/whjdark) 基于PP-StructureV2版面分析与恢复模型实现的PDF转换Word应用程序，提供可直接安装的exe应用程序，**方便Windows用户离线、免环境配置运行**
## 1.使用
### 应用程序
-1. 下载与安装：针对Windows用户，根据[软件下载]()一节下载软件后，运行 `启动程序.exe` 。若您下载的是lite版本，安装过程中会在线下载环境依赖、模型等必要资源，安装时间较长，请确保网络畅通。serve版本打包了相关依赖，安装时间较短，可按需下载。
+1. 下载与安装：针对Windows用户，根据[软件下载](#download)一节下载软件并解压后，运行 `启动程序.exe` 。
-2. 转换：由于PP-Structure根据中英文数据分别进行适配，在转换相应文件时可**根据文档语言进行相应选择**。
+2. **打开文件与转换：**
-### 脚本运行
+ - `中文转换、英文转换` ：针对 `图片型PDF` 文件的转换方法，即**当PDF文件中的文字无法复制粘贴时**，推荐使用本方法通过OCR转换文件，由于PP-Structure根据中英文数据分别进行适配，在转换相应文件时可**根据文档语言进行相应选择**。
+ - `PDF解析` ： 针对可以复制文字的PDF文件，推荐直接点击 `PDF解析`，获得更加精准的效果。
+
+3. 打开结果：点击`显示结果`，即可打开转换完成后的文件夹
+
+> 注意：
+>
+> - 初次安装程序根据不同设备需要等待1-2分钟不等
+> - 使用Office与WPS打开的Word结果会出现不同，推荐以Office为准
+> - 本程序使用 [QPT](https://github.com/QPT-Family/QPT) 进行应用程序打包，感谢 [GT-ZhangAcer](https://github.com/GT-ZhangAcer) 对打包过程的支持
+
+### 脚本启动界面
首次运行需要将切换路径到 `/ppstructure/pdf2word` ，然后运行代码
@@ -18,11 +29,25 @@ PDF2Word是PaddleOCR社区开发者[whjdark](https://github.com/whjdark) 基于P
python pdf2word.py
```
+### PaddleOCR whl包
+
+针对Linux、Mac用户或已经拥有Python环境的用户，**推荐安装 `paddleocr` whl包直接应用版面恢复功能**，详情可查看[链接](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/ppstructure/docs/quickstart.md)
+
+
+
## 2.软件下载
-如需获取已打包程序，可以扫描下方二维码，关注公众号填写问卷后，加入PaddleOCR官方交流群免费获取20G OCR学习大礼包，内含OCR场景应用集合（包含数码管、液晶屏、车牌、高精度SVTR模型等7个垂类模型）、《动手学OCR》电子书、课程回放视频、前沿论文等重磅资料
+如需获取已打包程序，可以扫描下方二维码，关注公众号填写问卷后，加入PaddleOCR官方交流群免费获取20G OCR学习大礼包，内含OCR场景应用集合（包含数码管、液晶屏、车牌、高精度SVTR模型等10个垂类模型）、《动手学OCR》电子书、课程回放视频、前沿论文等重磅资料
+## 3.版本说明
+
+v0.2版：新加入PDF解析功能，仅提供full版本，打包了所有依赖包与模型文件，尽可能避免安装失败问题
+
+v0.1版：最初版本，分为3个版本：
+- mini版：体积较小，在安装过程中会自动下载依赖包、模型等必要资源，安装时间较长，需要确保网络畅通。
+- env版：仅打包了项目依赖，避免出现运行过程中找不到cv等资源的情况。
+- full版：打包了依赖包与模型文件，故压缩包较大，相对等待时间较短，可按需下载。
diff --git a/ppstructure/pdf2word/pdf2word.py b/ppstructure/pdf2word/pdf2word.py
index 6b394094f3b24bfaa7829541f4f9a2a48f3d493f..a287fb248c3c947157401109a2d7df120dfbeda5 100644
--- a/ppstructure/pdf2word/pdf2word.py
+++ b/ppstructure/pdf2word/pdf2word.py
@@ -7,8 +7,11 @@ import functools
import cv2
import platform
import numpy as np
+import fitz
+from PIL import Image
+from pdf2docx.converter import Converter
from qtpy.QtWidgets import QApplication, QWidget, QPushButton, QProgressBar, \
- QGridLayout, QMessageBox, QLabel, QFileDialog
+ QGridLayout, QMessageBox, QLabel, QFileDialog, QCheckBox
from qtpy.QtCore import Signal, QThread, QObject
from qtpy.QtGui import QImage, QPixmap, QIcon
@@ -17,6 +20,7 @@ root = os.path.abspath(os.path.join(file, '../../'))
sys.path.append(file)
sys.path.insert(0, root)
+
from ppstructure.predict_system import StructureSystem, save_structure_res
from ppstructure.utility import parse_args, draw_structure_result
from ppocr.utils.network import download_with_progressbar
@@ -24,7 +28,7 @@ from ppstructure.recovery.recovery_to_doc import sorted_layout_boxes, convert_in
# from ScreenShotWidget import ScreenShotWidget
__APPNAME__ = "pdf2word"
-__VERSION__ = "0.1.1"
+__VERSION__ = "0.2.2"
URLs_EN = {
# 下载超英文轻量级PP-OCRv3模型的检测模型并解压
@@ -75,9 +79,7 @@ def QImageToCvMat(incomingImage) -> np.array:
def readImage(image_file) -> list:
- if os.path.basename(image_file)[-3:] in ['pdf']:
- import fitz
- from PIL import Image
+ if os.path.basename(image_file)[-3:] == 'pdf':
imgs = []
with fitz.open(image_file) as pdf:
for pg in range(0, pdf.pageCount):
@@ -102,17 +104,22 @@ def readImage(image_file) -> list:
class Worker(QThread):
progressBarValue = Signal(int)
+ progressBarRange = Signal(int)
endsignal = Signal()
+ exceptedsignal = Signal(str) #发送一个异常信号
loopFlag = True
- def __init__(self, predictors, save_pdf, vis_font_path):
+ def __init__(self, predictors, save_pdf, vis_font_path, use_pdf2docx_api):
super(Worker, self).__init__()
self.predictors = predictors
self.save_pdf = save_pdf
self.vis_font_path = vis_font_path
self.lang = 'EN'
self.imagePaths = []
+ self.use_pdf2docx_api = use_pdf2docx_api
self.outputDir = None
+ self.totalPageCnt = 0
+ self.pageCnt = 0
self.setStackSize(1024*1024)
def setImagePath(self, imagePaths):
@@ -123,61 +130,91 @@ class Worker(QThread):
def setOutputDir(self, outputDir):
self.outputDir = outputDir
+
+ def setPDFParser(self, enabled):
+ self.use_pdf2docx_api = enabled
+
+ def resetPageCnt(self):
+ self.pageCnt = 0
+
+ def resetTotalPageCnt(self):
+ self.totalPageCnt = 0
- def predictAndSave(self, imgs, img_name):
+ def ppocrPrecitor(self, imgs, img_name):
all_res = []
+ # update progress bar ranges
+ self.totalPageCnt += len(imgs)
+ self.progressBarRange.emit(self.totalPageCnt)
+ # processing pages
for index, img in enumerate(imgs):
res, time_dict = self.predictors[self.lang](img)
# save output
save_structure_res(res, self.outputDir, img_name)
- draw_img = draw_structure_result(img, res, self.vis_font_path)
- img_save_path = os.path.join(self.outputDir, img_name, 'show_{}.jpg'.format(index))
- if res != []:
- cv2.imwrite(img_save_path, draw_img)
+ # draw_img = draw_structure_result(img, res, self.vis_font_path)
+ # img_save_path = os.path.join(self.outputDir, img_name, 'show_{}.jpg'.format(index))
+ # if res != []:
+ # cv2.imwrite(img_save_path, draw_img)
# recovery
h, w, _ = img.shape
res = sorted_layout_boxes(res, w)
all_res += res
+ self.pageCnt += 1
+ self.progressBarValue.emit(self.pageCnt)
- try:
- convert_info_docx(img, all_res, self.outputDir, img_name, self.save_pdf)
- except Exception as ex:
- print(self,
- "error in layout recovery image:{}, err msg: {}".format(
- img_name, ex))
-
+ if all_res != []:
+ try:
+ convert_info_docx(imgs, all_res, self.outputDir, img_name)
+ except Exception as ex:
+ print("error in layout recovery image:{}, err msg: {}".
+ format(img_name, ex))
+ print("Predict time : {:.3f}s".format(time_dict['all']))
print('result save to {}'.format(self.outputDir))
def run(self):
+ self.resetPageCnt()
+ self.resetTotalPageCnt()
try:
- findex = 0
os.makedirs(self.outputDir, exist_ok=True)
for i, image_file in enumerate(self.imagePaths):
- if self.loopFlag == True:
+ if not self.loopFlag:
+ break
+ # using use_pdf2docx_api for PDF parsing
+ if self.use_pdf2docx_api \
+ and os.path.basename(image_file)[-3:] == 'pdf':
+ self.totalPageCnt += 1
+ self.progressBarRange.emit(self.totalPageCnt)
+ print('===============using use_pdf2docx_api===============')
+ img_name = os.path.basename(image_file).split('.')[0]
+ docx_file = os.path.join(
+ self.outputDir, '{}.docx'.format(img_name))
+ cv = Converter(image_file)
+ cv.convert(docx_file)
+ cv.close()
+ print('docx save to {}'.format(docx_file))
+ self.pageCnt += 1
+ self.progressBarValue.emit(self.pageCnt)
+ else:
+ # using PPOCR for PDF/Image parsing
imgs = readImage(image_file)
if len(imgs) == 0:
continue
img_name = os.path.basename(image_file).split('.')[0]
os.makedirs(os.path.join(self.outputDir, img_name), exist_ok=True)
- self.predictAndSave(imgs, img_name)
- findex += 1
- self.progressBarValue.emit(findex)
- else:
- break
+ self.ppocrPrecitor(imgs, img_name)
+ # file processed
self.endsignal.emit()
- self.exec()
+ # self.exec()
except Exception as e:
- print(e)
- raise
+ self.exceptedsignal.emit(str(e)) # 将异常发送给UI进程
class APP_Image2Doc(QWidget):
def __init__(self):
super().__init__()
- self.setFixedHeight(90)
- self.setFixedWidth(400)
+ self.setFixedHeight(100)
+ self.setFixedWidth(420)
# settings
self.imagePaths = []
@@ -187,6 +224,7 @@ class APP_Image2Doc(QWidget):
self.output_dir = None
self.vis_font_path = os.path.join(root,
"doc", "fonts", "simfang.ttf")
+ self.use_pdf2docx_api = False
# ProgressBar
self.pb = QProgressBar()
@@ -207,10 +245,12 @@ class APP_Image2Doc(QWidget):
}
# 设置工作进程
- self._thread = Worker(predictors, self.save_pdf, self.vis_font_path)
- self._thread.progressBarValue.connect(self.handleProgressBarSingal)
+ self._thread = Worker(predictors, self.save_pdf, self.vis_font_path, self.use_pdf2docx_api)
+ self._thread.progressBarValue.connect(self.handleProgressBarUpdateSingal)
self._thread.endsignal.connect(self.handleEndsignalSignal)
- self._thread.finished.connect(QObject.deleteLater)
+ # self._thread.finished.connect(QObject.deleteLater)
+ self._thread.progressBarRange.connect(self.handleProgressBarRangeSingal)
+ self._thread.exceptedsignal.connect(self.handleThreadException)
self.time_start = 0 # save start time
def setupUi(self):
@@ -233,25 +273,30 @@ class APP_Image2Doc(QWidget):
self.startCNButton.setIcon(QIcon(QPixmap("./icons/chinese.png")))
layout.addWidget(self.startCNButton, 0, 1, 1, 1)
self.startCNButton.clicked.connect(
- functools.partial(self.handleStartSignal, 'CN'))
+ functools.partial(self.handleStartSignal, 'CN', False))
self.startENButton = QPushButton("英文转换")
self.startENButton.setIcon(QIcon(QPixmap("./icons/english.png")))
layout.addWidget(self.startENButton, 0, 2, 1, 1)
self.startENButton.clicked.connect(
- functools.partial(self.handleStartSignal, 'EN'))
+ functools.partial(self.handleStartSignal, 'EN', False))
+ self.PDFParserButton = QPushButton('PDF解析', self)
+ layout.addWidget(self.PDFParserButton, 0, 3, 1, 1)
+ self.PDFParserButton.clicked.connect(
+ functools.partial(self.handleStartSignal, 'CN', True))
+
self.showResultButton = QPushButton("显示结果")
self.showResultButton.setIcon(QIcon(QPixmap("./icons/folder-open.png")))
- layout.addWidget(self.showResultButton, 0, 3, 1, 1)
+ layout.addWidget(self.showResultButton, 0, 4, 1, 1)
self.showResultButton.clicked.connect(self.handleShowResultSignal)
# ProgressBar
- layout.addWidget(self.pb, 2, 0, 1, 4)
+ layout.addWidget(self.pb, 2, 0, 1, 5)
# time estimate label
self.timeEstLabel = QLabel(
("Time Left: --"))
- layout.addWidget(self.timeEstLabel, 3, 0, 1, 4)
+ layout.addWidget(self.timeEstLabel, 3, 0, 1, 5)
self.setLayout(layout)
@@ -355,7 +400,6 @@ class APP_Image2Doc(QWidget):
if len(selectedFiles) > 0:
self.imagePaths = selectedFiles
self.screenShot = None # discard screenshot temp image
- self.pb.setRange(0, len(self.imagePaths))
self.pb.setValue(0)
# def screenShotSlot(self):
@@ -370,7 +414,7 @@ class APP_Image2Doc(QWidget):
# self.pb.setRange(0, 1)
# self.pb.setValue(0)
- def handleStartSignal(self, lang):
+ def handleStartSignal(self, lang='EN', pdfParser=False):
if self.screenShot: # for screenShot
img_name = 'screenshot_' + time.strftime("%Y%m%d%H%M%S", time.localtime())
image = QImageToCvMat(self.screenShot)
@@ -386,10 +430,12 @@ class APP_Image2Doc(QWidget):
self._thread.setOutputDir(self.output_dir)
self._thread.setImagePath(self.imagePaths)
self._thread.setLang(lang)
+ self._thread.setPDFParser(pdfParser)
# disenble buttons
self.openFileButton.setEnabled(False)
self.startCNButton.setEnabled(False)
self.startENButton.setEnabled(False)
+ self.PDFParserButton.setEnabled(False)
# 启动工作进程
self._thread.start()
self.time_start = time.time() # log start time
@@ -411,7 +457,7 @@ class APP_Image2Doc(QWidget):
QMessageBox.information(self,
u'Information', "输出文件不存在")
- def handleProgressBarSingal(self, i):
+ def handleProgressBarUpdateSingal(self, i):
self.pb.setValue(i)
# calculate time left of recognition
lenbar = self.pb.maximum()
@@ -419,13 +465,24 @@ class APP_Image2Doc(QWidget):
time_left = str(datetime.timedelta(seconds=avg_time * (lenbar - i))).split(".")[0] # Remove microseconds
self.timeEstLabel.setText(f"Time Left: {time_left}") # show time left
+ def handleProgressBarRangeSingal(self, max):
+ self.pb.setRange(0, max)
+
def handleEndsignalSignal(self):
# enble buttons
self.openFileButton.setEnabled(True)
self.startCNButton.setEnabled(True)
self.startENButton.setEnabled(True)
+ self.PDFParserButton.setEnabled(True)
QMessageBox.information(self, u'Information', "转换结束")
+ def handleCBChangeSignal(self):
+ self._thread.setPDFParser(self.checkBox.isChecked())
+
+ def handleThreadException(self, message):
+ self._thread.quit()
+ QMessageBox.information(self, message)
+
def main():
app = QApplication(sys.argv)
+ 
+ 
+