PaddleOCR/KeCheng/T3_OCR.py

import os
import glob
import datetime
from paddleocr import PPStructureV3

# 导入配置
from Config import compressed_images_dir, ocr_output_dir, markdown_output_dir, time_format

# 确保输出目录存在
os.makedirs(ocr_output_dir, exist_ok=True)
os.makedirs(markdown_output_dir, exist_ok=True)

# 初始化OCR引擎
pipeline = PPStructureV3()

# 获取所有压缩后的图片
image_files = glob.glob(os.path.join(compressed_images_dir, "page_*_compressed.jpg"))
image_files.sort(key=lambda x: int(os.path.basename(x).split('_')[1]))

print(f"找到{len(image_files)}个图片文件需要进行OCR识别")

# 处理每个图片
for i, img_path in enumerate(image_files):
    # 从文件名中提取页码
    page_num = os.path.basename(img_path).split('_')[1]
    
    # 检查目标目录是否已存在
    markdown_save_path = os.path.join(markdown_output_dir, f"page_{page_num}")
    if os.path.exists(markdown_save_path):
        print(f"{datetime.datetime.now().strftime(time_format)} 第{page_num}页的OCR结果已存在，跳过处理")
        continue
    
    # 输出处理信息
    print(f"{datetime.datetime.now().strftime(time_format)} 正在处理第{page_num}页的OCR识别")
    
    # 执行OCR识别
    output = pipeline.predict(img_path)
    
    # 使用save_to_markdown方法保存结果
    for res in output:
        res.save_to_markdown(save_path=markdown_save_path)
    
    print(f"第{page_num}页OCR识别完成，结果已保存到: {markdown_save_path}")

print(f"所有图片OCR识别完成，结果保存在: {markdown_output_dir}")