使用场景

将历史信件的扫描件转换为可编辑的文本格式。

对学术文章的扫描副本进行OCR处理，并纠正原始输出中的错误。

将公司存档的合同文档数字化，以便于搜索和引用。

产品特色

PDF到图像转换

使用Tesseract进行OCR

使用LLMs进行高级错误校正（本地或基于API）

智能文本分块以高效处理

Markdown格式选项

可选的页眉和页码抑制

最终输出的质量评估

支持本地LLMs和基于云的API提供商（OpenAI, Anthropic）

异步处理以提高性能

详细的日志记录用于过程跟踪和调试

GPU加速本地LLM推理

使用教程

1. 将PDF文件放置在项目目录中。

2. 更新main()函数中的input_pdf_file_path变量为您的PDF文件名。

3. 运行脚本：python llm_aided_ocr.py。

4. 脚本将生成多个输出文件，包括最终处理后的文本。

5. 检查生成的{base_name}__raw_ocr_output.txt文件，这是Tesseract的原始OCR输出。

6. 查看{base_name}_llm_corrected.md文件，这是经过LLM校正和格式化的最终文本。

7. 根据需要，查看日志文件以了解处理过程和质量评估。