菜单
Complex document parsing with PaddleOCR. Convert PDFs and document images to structured Markdown and JSON. Triggers: paddleocr, pdf parsing, document ocr, pdf to markdown, document extraction
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/mofa-org/mofa-skills --skill mofa-paddleocr命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
AI-generated greeting cards as PNG images. Triggers: greeting card, 贺卡, mofa card, mofa 贺卡, make a card, CNY card, New Year card, 新年贺卡, ink-wash card. Generates full-bleed AI artwork via Gemini in various Chinese art styles.
AI-generated comic strips and illustrations. Triggers: comic, manga, xkcd, 漫画, comic strip, 四格漫画, panel comic, illustration strip, snoopy. Generates multi-panel comics via Gemini with optional Qwen-Edit refinement, stitched into a single image.
Extract a video frame at a specific timestamp. Triggers: extract frame, 提取画面, screenshot video, capture frame, 截图, grab frame, video frame at, 视频截图.
基于 SOC 职业分类
正在显示 SKILL.md
| name | mofa-paddleocr |
| description | Complex document parsing with PaddleOCR. Convert PDFs and document images to structured Markdown and JSON. Triggers: paddleocr, pdf parsing, document ocr, pdf to markdown, document extraction |
| requires_bins | python3, pip |
| always | false |
基于 PaddleOCR 的复杂文档解析工具，将 PDF 和文档图像智能转换为保留原始结构的 Markdown 和 JSON。
Python 3.8+
python3 --version
安装 PaddleOCR
# 安装 paddlepaddle (CPU 版本)
pip install paddlepaddle
# 或安装 paddlepaddle-gpu (GPU 版本，需要 CUDA)
pip install paddlepaddle-gpu
# 安装 paddleocr
pip install paddleocr
安装额外依赖
pip install pdf2image pymupdf Pillow
验证安装
python3 -c "from paddleocr import PaddleOCR; print('PaddleOCR installed')"
# 单张图片 OCR
python3 -c "
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('document.png', cls=True)
for line in result[0]:
print(line[1][0]) # 提取文本
"
# PDF 解析
python3 -c "
from paddleocr import PaddleOCR
import fitz # PyMuPDF
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
pdf_path = 'document.pdf'
doc = fitz.open(pdf_path)
for page_num in range(len(doc)):
page = doc[page_num]
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))
img_path = f'/tmp/page_{page_num}.png'
pix.save(img_path)
result = ocr.ocr(img_path, cls=True)
print(f'=== Page {page_num + 1} ===')
for line in result[0]:
print(line[1][0])
"
| 问题 | 解决方案 |
|---|---|
paddlepaddle not found | 运行 pip install paddlepaddle |
CUDA error | 使用 CPU 版本: pip install paddlepaddle |
pdf2image error | 安装 poppler: brew install poppler (mac) / apt-get install poppler-utils (linux) |
| 中文识别效果差 | 确认 lang='ch' 参数 |
| 内存不足 | 降低 PDF 分辨率: matrix=fitz.Matrix(1, 1) |
┌─────────────────────────────────────────────────────────────────────────────┐
│ MOFA PADDLEOCR PIPELINE │
└─────────────────────────────────────────────────────────────────────────────┘
User Request (PDF/Image)
↓
┌─────────────────────────────────────────────────────────┐
│ Phase 1: INPUT │
│ ───────────── │
│ • Validate file format (PDF/PNG/JPG) │
│ • Check file size │
│ • Determine output format (markdown/json) │
└─────────────────────────┬───────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ Phase 2: CONVERT (PDF → Images) │
│ ─────────────────────────────── │
│ │
│ PDF input: │
│ ┌─────────────────────────────────────────────┐ │
│ │ PyMuPDF (fitz) │ │
│ │ • Render pages to images │ │
│ │ • Multiplier: 2x for better OCR quality │ │
│ │ • Output: page_1.png, page_2.png... │ │
│ └─────────────────────────────────────────────┘ │
│ │
│ Image input: Skip this phase │
│ │
└─────────────────────────┬───────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ Phase 3: OCR (PaddleOCR) │
│ ──────────────────────── │
│ │
│ PaddleOCR Pipeline: │
│ ┌─────────────────────────────────────────────┐ │
│ │ 1. Text Detection (DBNet) │ │
│ │ → Find text regions │ │
│ │ │ │
│ │ 2. Text Recognition (CRNN) │ │
│ │ → Recognize characters │ │
│ │ │ │
│ │ 3. Layout Analysis (optional) │ │
│ │ → Detect tables, titles, paragraphs │ │
│ │ │ │
│ │ 4. Output: Bounding boxes + Text │ │
│ └─────────────────────────────────────────────┘ │
│ │
└─────────────────────────┬───────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ Phase 4: STRUCTURE │
│ ───────────────── │
│ • Analyze text layout │
│ • Detect tables and lists │
│ • Identify headings and paragraphs │
│ • Preserve reading order │
└─────────────────────────┬───────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ Phase 5: OUTPUT │
│ ───────────── │
│ │
│ Markdown format: │
│ ┌─────────────────────────────────────────────┐ │
│ │ # Page 1 │ │
│ │ │ │
│ │ ## Title Section │ │
│ │ Extracted text content... │ │
│ │ │ │
│ │ | Table | Header | │ │
│ │ |----------|----------| │ │
│ │ | Cell 1 | Cell 2 | │ │
│ │ │ │
│ │ --- │ │
│ │ # Page 2 │ │
│ └─────────────────────────────────────────────┘ │
│ │
│ JSON format: │
│ ┌─────────────────────────────────────────────┐ │
│ │ { │ │
│ │ "pages": [{ │ │
│ │ "page_num": 1, │ │
│ │ "text": "...", │ │
│ │ "blocks": [{ │ │
│ │ "text": "...", │ │
│ │ "box": [x1,y1,x2,y2], │ │
│ │ "confidence": 0.95 │ │
│ │ }] │ │
│ │ }] │ │
│ │ } │ │
│ └─────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────┘
| Format | Support | Notes |
|---|---|---|
| ✅ | Renders each page to image | |
| PNG | ✅ | Best quality |
| JPG/JPEG | ✅ | Compressed, may affect OCR |
| TIFF | ✅ | Multi-page supported |
| BMP | ✅ | Uncommon |
# 中文
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
# 英文
ocr = PaddleOCR(use_angle_cls=True, lang='en')
# 多语言
ocr = PaddleOCR(use_angle_cls=True, lang='latin') # 拉丁语系
# 纯文本
for line in result[0]:
print(line[1][0])
# 带置信度
for line in result[0]:
text = line[1][0]
confidence = line[1][1]
box = line[0]
print(f"{text} (conf: {confidence:.2f})")
# 结构化数据
{
"text": "识别文本",
"confidence": 0.95,
"box": [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
}
from paddleocr import PaddleOCR
ocr = PaddleOCR(
use_angle_cls=True, # 方向分类
lang='ch', # 中文
show_log=False # 关闭冗余日志
)
result = ocr.ocr('document.png', cls=True)
# 提取所有文本
full_text = '\n'.join([line[1][0] for line in result[0]])
print(full_text)
import fitz
from paddleocr import PaddleOCR
import os
def pdf_to_markdown(pdf_path, output_md):
ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False)
doc = fitz.open(pdf_path)
markdown = []
for page_num in range(len(doc)):
# 渲染页面 (2x 分辨率提高 OCR 质量)
page = doc[page_num]
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))
temp_img = f'/tmp/page_{page_num}.png'
pix.save(temp_img)
# OCR
result = ocr.ocr(temp_img, cls=True)
# 添加到 markdown
markdown.append(f"# Page {page_num + 1}\n\n")
if result[0]:
for line in result[0]:
text = line[1][0]
confidence = line[1][1]
if confidence > 0.8: # 过滤低置信度
markdown.append(f"{text}\n")
markdown.append("\n---\n\n")
os.remove(temp_img)
with open(output_md, 'w', encoding='utf-8') as f:
f.writelines(markdown)
()
pdf_to_markdown(, )
from paddleocr import PaddleOCR
# 使用表格识别模型
ocr = PaddleOCR(
use_angle_cls=True,
lang='ch',
det_model_dir='ch_PP-OCRv4_det',
rec_model_dir='ch_PP-OCRv4_rec',
table=True, # 启用表格识别
show_log=False
)
result = ocr.ocr('table_image.png', cls=True)
# 表格结果在 result['table']
if 'table' in result:
for table in result['table']:
print(table['html']) # HTML 格式表格
import glob
from paddleocr import PaddleOCR
import json
ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False)
def batch_process(image_dir, output_json):
results = []
for img_path in glob.glob(f"{image_dir}/*"):
if img_path.lower().endswith(('.png', '.jpg', '.jpeg')):
print(f"Processing {img_path}...")
result = ocr.ocr(img_path, cls=True)
# 提取文本和元数据
texts = []
if result[0]:
for line in result[0]:
texts.append({
'text': line[1][0],
'confidence': float(line[1][1]),
'box': line[0]
})
results.append({
'file': img_path,
'content': texts
})
with open(output_json, 'w', encoding='utf-8') as f:
json.dump(results, f, ensure_ascii=False, indent=2)
# 使用
batch_process(, )
ocr = PaddleOCR(
# 检测模型
det_model_dir='path/to/det_model',
det_limit_side_len=960, # 检测边长限制
det_limit_type='max', # 限制类型
# 识别模型
rec_model_dir='path/to/rec_model',
rec_image_shape='3, 48, 320', # 输入形状
rec_batch_num=6, # 批次大小
# 分类模型
use_angle_cls=True, # 启用方向分类
cls_model_dir='path/to/cls_model',
cls_batch_num=6,
# 其他
lang='ch', # 语言
show_log=False, # 显示日志
use_gpu=False, # 使用 GPU
use_mp=False, # 多进程
total_process_num=1 # 进程数
)
| 任务 | 时间 (CPU) | 时间 (GPU) |
|---|---|---|
| 单页 PDF (A4) | 2-5s | 0.5-1s |
| 单张图片 | 1-3s | 0.3-0.5s |
| 10页 PDF | 20-50s | 5-10s |
优化建议:
use_mp=True# 1. 使用 mofa-research-2.0 找到 PDF 文档
# 2. 使用 mofa-paddleocr 提取内容
# 3. 使用 mofa-research-2.0 分析提取的文本
research_result = research("topic")
pdf_url = research_result['pdf_url']
# 下载 PDF
# ...
# OCR 提取
text = paddleocr_extract('downloaded.pdf')
# 继续分析
analysis = analyze(text)
# mofa-paddleocr: 处理扫描版 PDF (图片)
# mofa-defuddle: 处理文字版 PDF (提取)
if is_scanned_pdf(file):
text = paddleocr_extract(file)
else:
text = defuddle_extract(file)
./paddleocr/{task-slug}/
├── output.md # Markdown 输出
├── output.json # 结构化 JSON
├── metadata.json # 处理元数据
│ ├── page_count
│ ├── processing_time
│ └── avg_confidence
└── images/ # 中间图片 (可选)
├── page_1.png
└── ...
Web 内容提取工具。
区别:
组合使用:
扫描版 PDF → mofa-paddleocr → 文字
文字版 PDF → mofa-defuddle → 文字
深度研究管道。
组合使用:
mofa-research-2.0: 发现文档
mofa-paddleocr: 提取内容
mofa-research-2.0: 分析内容
网页爬取工具。
组合使用:
mofa-firecrawl: 爬取网站获取 PDF
mofa-paddleocr: 提取 PDF 内容