PaddleOCR - 安装使用_paddleocr 安装

---

官方教程：https://gitee.com/monkeycc/PaddleOCR/blob/release/2.7/ppstructure/recovery/README_ch.md

感觉写的冗长，实际很简单，本人使用的 Ubuntu 在此记录

一、安装

1、安装 PaddlePaddle

更新 pip（可跳过）

python3 -m pip install --upgrade pip
1

---

CUDA
您的机器安装的是CUDA9或CUDA10，请运行以下命令安装
（我使用 CUDA 12，也是这样安装的）

python3 -m pip install "paddlepaddle-gpu" -i https://mirror.baidu.com/pypi/simple
1

---

CPU ：

python3 -m pip install "paddlepaddle" -i https://mirror.baidu.com/pypi/simple
1

---

2、下载 PaddleOCR

git clone https://github.com/PaddlePaddle/PaddleOCR
1

---

如网络链接不畅，可使用 gitee（存在3~5天延时）

git clone https://gitee.com/paddlepaddle/PaddleOCR
1

---

3、安装 requirements

cd PaddleOCR
pip install -r ppstructure/recovery/requirements.txt
1
2

---

4、安装 pdf2docx

pip install pdf2docx
1

---

5、安装 PyMuPDF

pip install PyMuPDF==1.19.0
1

目前 PyMuPDF 版本已经到 1.24.7了（参见：https://pypi.org/project/PyMuPDF/#history）
但如果使用高版本 PyMuPDF 会出现如下报错：
即使降级到 1.20.2 也不行，经测试 1.19.0 可以

---

paddleocr 2.7.0.2 requires PyMuPDF<1.21.0, but you have pymupdf 1.23.26 which is incompatible.
1

---

ppocr INFO: **********/tmp/shushu/pdf/2303.08774v6.pdf**********
Traceback (most recent call last):
  File "/home/username/miniconda3/bin/paddleocr", line 8, in <module>
    sys.exit(main())
  File "/home/username/miniconda3/lib/python3.10/site-packages/paddleocr/paddleocr.py", line 776, in main
    img, flag_gif, flag_pdf = check_and_read(img_path)
  File "/home/username/miniconda3/lib/python3.10/site-packages/paddleocr/ppocr/utils/utility.py", line 96, in check_and_read
    for pg in range(0, pdf.pageCount):
AttributeError: 'Document' object has no attribute 'pageCount'. Did you mean: 'page_count'?
1
2
3
4
5
6
7
8
9

---

当然有些库也依赖高版本的 PyMuPDF，如果项目不相关，可以放在不同 env

如：

llama-index-readers-file 0.1.6 requires pymupdf<2.0.0,>=1.23.21, but you have pymupdf 1.20.2 which is incompatible.
1

---

二、使用

安装成功后可以校验：

paddleocr --help
1

---

转换

命令行：

paddleocr --image_dir=/tmp/shushu/pdf --type=structure --recovery=true --use_pdf2docx_api=true  --output=/tmp/shushu/pdf_ret
1

---

python3 ppstructure/predict_system.py \
    --image_dir=ppstructure/recovery/UnrealText.pdf \
    --recovery=True \
    --use_pdf2docx_api=True \
    --output=../output/
1
2
3
4
5

---

PaddleOCR 项目结构

PaddleOCR$ tree -L 2
.
├── applications
│   ├── PCB字符识别
│   ├── README_en.md
│   ├── README.md
│   ├── 中文表格识别.md
│   ├── 光功率计数码管字符识别
│   ├── 包装生产日期识别.md
│   ├── 印章弯曲文字识别.md
│   ├── 发票关键信息抽取.md
│   ├── 多模态表单识别.md
│   ├── 快速构建卡证类OCR.md
│   ├── 手写文字识别.md
│   ├── 扫描合同关键信息提取.md
│   ├── 液晶屏读数识别.md
│   ├── 轻量级车牌识别.md
│   └── 高精度中文识别模型.md
├── benchmark
│   ├── analysis.py
│   ├── PaddleOCR_DBNet
│   ├── readme.md
│   ├── run_benchmark_det.sh
│   └── run_det.sh
├── configs
│   ├── cls
│   ├── det
│   ├── e2e
│   ├── kie
│   ├── rec
│   ├── sr
│   └── table
├── deploy
│   ├── android_demo
│   ├── avh
│   ├── cpp_infer
│   ├── docker
│   ├── fastdeploy
│   ├── hubserving
│   ├── ios_demo
│   ├── Jetson
│   ├── lite
│   ├── paddle2onnx
│   ├── paddlecloud
│   ├── paddlejs
│   ├── pdserving
│   ├── README_ch.md
│   ├── README.md
│   └── slim
├── doc
│   ├── banner.png
│   ├── datasets
│   ├── demo
│   ├── deployment_en.png
│   ├── deployment.png
│   ├── doc_ch
│   ├── doc_en
│   ├── doc_i18n
│   ├── fonts
│   ├── imgs
│   ├── imgs_en
│   ├── imgs_results
│   ├── imgs_words
│   ├── imgs_words_en
│   ├── install
│   ├── joinus_paddlex.jpg
│   ├── joinus.PNG
│   ├── PaddleOCR_log.png
│   ├── pgnet_framework.png
│   ├── ppocr_framework.png
│   ├── ppocrv2_framework.jpg
│   ├── ppocr_v3
│   ├── ppocrv3_framework.png
│   ├── ppocr_v4
│   ├── ppocrv4_framework.png
│   ├── precommit_pass.png
│   ├── pr.png
│   └── tricks
├── __init__.py
├── LICENSE
├── MANIFEST.in
├── paddleocr.py
├── ppocr
│   ├── data
│   ├── ext_op
│   ├── __init__.py
│   ├── losses
│   ├── metrics
│   ├── modeling
│   ├── optimizer
│   ├── postprocess
│   └── utils
├── ppstructure
│   ├── docs
│   ├── __init__.py
│   ├── kie
│   ├── layout
│   ├── pdf2word
│   ├── predict_system.py
│   ├── README_ch.md
│   ├── README.md
│   ├── recovery
│   ├── return_word_pos.md
│   ├── table
│   └── utility.py
├── pyproject.toml
├── README_en.md
├── README.md
├── requirements.txt
├── setup.py
├── tests
│   ├── test_cls_postprocess.py
│   └── test_paddleocr_api.py
├── test_tipc
│   ├── benchmark_train.sh
│   ├── build_server.sh
│   ├── common_func.sh
│   ├── compare_results.py
│   ├── configs
│   ├── docs
│   ├── prepare_js.sh
│   ├── prepare_lite_cpp.sh
│   ├── prepare.sh
│   ├── readme.md
│   ├── results
│   ├── supplementary
│   ├── test_inference_cpp.sh
│   ├── test_inference_js.sh
│   ├── test_inference_python.sh
│   ├── test_lite_arm_cpp.sh
│   ├── test_paddle2onnx.sh
│   ├── test_ptq_inference_python.sh
│   ├── test_serving_infer_cpp.sh
│   ├── test_serving_infer_python.sh
│   ├── test_train_inference_python_npu.sh
│   ├── test_train_inference_python.sh
│   ├── test_train_inference_python_xpu.sh
│   └── web
├── tools
│   ├── end2end
│   ├── eval.py
│   ├── export_center.py
│   ├── export_model.py
│   ├── infer
│   ├── infer_cls.py
│   ├── infer_det.py
│   ├── infer_e2e.py
│   ├── infer_kie.py
│   ├── infer_kie_token_ser.py
│   ├── infer_kie_token_ser_re.py
│   ├── infer_rec.py
│   ├── infer_sr.py
│   ├── infer_table.py
│   ├── __init__.py
│   ├── program.py
│   ├── test_hubserving.py
│   └── train.py
├── train.sh
└── VERSION_NUMBER
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159

---

2024-07-18（四）