PPT OCR 转 Word 整理技能

描述

将PPT导出的PDF文件（尤其是扫描版/图片版PDF）通过 OCR 识别全部文字内容，
智能整理为结构清晰、可读性强的Word文档（.docx）。

OCR 引擎自动探测（本地优先、零密钥优先）：优先使用本地免费引擎（RapidOCR / PaddleOCR / Tesseract），
无需任何密钥即可开箱即用；仅在配置了腾讯云密钥时，才将其作为高精度可选增强后端。

使用场景

• 用户上传PPT的PDF文件，要求"转文字"、"识别文字"、"整理成Word"、"文字版"
• 用户上传讲座/培训/会议PPT，要求提取内容并整理
• 用户说"把这个PPT文字整理一下"、"转成可读版本"等类似需求

输出格式（固定，不可更改）

（一）<单位><讲者>教授《<讲座标题>》
1、幻灯片1：<幻灯片标题>
<正文段落 / 表格 / 列表>

2、幻灯片2：<幻灯片标题>
...

（二）<单位><讲者>教授《<讲座标题>》
1、幻灯片1：<幻灯片标题>
...

• 讲座序号用中文括号数字：（一）（二）（三）
• 幻灯片序号用阿拉伯数字加顿号：1、2、3、
• 每页幻灯片以"数字、幻灯片N：标题"为二级标题
• 讲者信息如果用户没提供，从PPT封面/标题页OCR中提取；提取不到则留空（不写"未知"）
• 单位信息同理，从PPT中提取

核心工作流

第一步：确认输入与选择 OCR 引擎

1. 确认用户上传的PDF文件路径。
2. OCR 引擎自动探测，按以下优先级选用（见 scripts/ocr_engine.py）：
   - RapidOCR（推荐，轻量）：rapidocr_onnxruntime，PaddleOCR 模型的 ONNX 版，无需 paddlepaddle，纯 CPU 推理。
   - PaddleOCR（中文最强）：paddleocr，百度开源，需 paddlepaddle。
   - Tesseract（极轻）：本机 tesseract + 中文包（tesseract-ocr-chi-sim）。
   - 腾讯云（可选增强）：仅当设置 TENCENT_SECRET_ID / TENCENT_SECRET_KEY 时启用，作为云端高精度后端。
3. 也可通过命令行 --engine rapidocr|paddleocr|tesseract|tencent 强制指定引擎
   （指定引擎不可用时脚本会打印警告并自动回退到可用引擎）。
4. 若无任何本地引擎，脚本会给出安装提示；腾讯云密钥不是必须。

本地引擎安装（任选其一，免费、零密钥，Windows/Linux 通用）：

pip install rapidocr-onnxruntime          # 推荐，轻量，pip 即装即用
# 或
pip install paddleocr                     # 中文最强（自动兼容 2.x/3.x API）
# 或（极轻）
sudo apt-get install -y tesseract-ocr tesseract-ocr-chi-sim   # Linux
# Windows 装 tesseract：UB-Mannheim 安装包（勾选 chi_sim 并加入 PATH）

基础依赖（无论选哪个引擎都需要）：

pip install pymupdf python-docx pillow numpy

运行命令（Windows 上务必加 -X utf8，防 GBK 控制台报错）：

python -X utf8 scripts/ppt_ocr_to_word.py <pdf> <output.docx> [--title ... --speaker ... --unit ...] [--pages 1-5,8]

--pages 只处理指定页，调试格式效果时用，可大幅省时。

第二步：PDF转图片

使用 PyMuPDF（pymupdf）将PDF每页转为PNG：

import pymupdf
doc = pymupdf.open(pdf_path)
for i in range(len(doc)):
    page = doc[i]
    pix = page.get_pixmap(matrix=pymupdf.Matrix(3, 3))  # 3倍缩放，提高小字识别率
    pix.save(f"page_{i+1}.png")

关键：必须用3倍及以上缩放，否则底部小字（参考文献、图表标注）会识别不出来。

第三步：全页OCR识别

调用第一步探测到的本地 OCR 引擎（RapidOCR / PaddleOCR / Tesseract）逐页识别；
若已配置腾讯云密钥，则将其作为高精度可选后端启用。

速度控制：每页间隔 0.3~0.5 秒，防止本地引擎过载。

第四步：二次确认（关键！）

全页识别完成后，必须额外对每页底部约38%区域做6倍放大OCR，专门找参考文献。
参考文献通常字号很小（7-8号），全页识别容易漏掉。

检查模式：
- 行首匹配 [数字] 模式（如 [1]、[2]）
- 行内包含上标引用标记（如 "依从性1,2" 说明底部有对应参考文献）

第五步：内容整理

将OCR原始行整理为可读结构：

5.1 过滤PPT界面干扰

以下内容必须过滤（完整匹配才删）：
- PPT工具栏多字词：幻灯片放映、审阅、视图、录制、帮助、Acrobat、共享、
形状填充、形状轮廓、形状效果、快速样式、创建并共享、排列、选择、
Adobe PDF、字体、段落、绘图、编辑、Adobe Acrobat、备注、批注等
- 工具栏符号串：↓↑、A^A^、|A|、ab、AV、Aa 等
- 单数字：1~3位纯数字（页码）、录屏时间戳（14:52）、页码比（1/103）

不要过滤（脚本已按此实现，改代码时勿回退）：
- 单个常用汉字（如"和""的""以""应"）——很可能是正文
- 单个大写字母（如 S、N、P）——可能是统计量符号或缩写

注意：不要过度过滤。只有确定是PPT界面元素的才删，拿不准的一律保留。

5.1b 页眉/单位名过滤（医学PPT特别注意）

"XX人民医院"这类单位名常出现在每页页眉，但也可能就是幻灯片标题或表格列名
（如"医院等级"）。脚本采用三重防护，修改时必须保留：
1. 跨页重复优先：同一短文本在 ≥35% 页面重复出现才判为页眉删除
2. 首行豁免：每页第一行（标题位置）的单位名不删
3. 顶部区域限制：关键词匹配（医院/大学/附属等）只在页面内容区上部 20% 生效，
页面中部/下部的短机构词多为表格列名或正文，保留

5.2 段落合并

将零散的OCR行合并为完整段落。合并规则：
- 上一行结尾不是句号/问号/感叹号/分号/冒号/省略号等结束标点 → 与下一行合并
- 下一行以数字+顿号、项目符号、●○□■◆、①②③等开头 → 不合并（新列表项）
- 下一行是纯英文大写缩写（如RCT、RWD）且很短 → 不合并（可能是小标题）
- 上一行结尾有结束标点，但下一行很短（<8字）→ 不合并（可能是小标题）

5.3 表格识别与格式化

以下情况判定为表格，用真正的Word表格呈现：
- 有多组"类别-内容"对应的结构（如"客户数据：......" "季度业绩数据：......"）
- 有明确的表头行（如"对比维度 | RCT | RWS"）
- 有"序号"列 + 多行内容
- 有明确的"项目 / 说明 / 内容"等列结构

表格格式：
- 第一行为表头，加粗，浅色背景
- 使用 Word 内置表格样式（如 Light Grid Accent 1）
- 表格后空一行

5.4 参考文献处理

参考文献必须：
- 放在对应幻灯片内容的末尾
- 用灰色小字号（10pt，RGB #666666）
- 以"参考文献："为标题（加粗）
- 悬挂缩进格式
- 严格按照PPT原文呈现，不自行补全论文题目或卷期
- PPT上是简化引用（只有作者+期刊+年份）就按简化的写

5.5 通读润色（语言质量门禁，必做）

OCR 按坐标返回的是"字块"而非"句子"，直接拼接必然出现错字、语序颠倒、缺标点、
列表破碎等问题。因此在生成 Word 前，必须由主 agent（LLM）对每页 OCR 文本做一轮
通读润色，这是交付前的硬性语言质量门禁：

• 纠错字：纠正同音/形近错字（如"固→国"、"圆/园→院"、"富上→掌上"、"佩→保"等），
  结合上下文与专业术语判断。
• 理顺语序：OCR 常把标题、副标题、脚注位置打乱，按阅读逻辑重排；被页眉/页码占据的
  行若确属界面噪点则剔除，不强行并入正文。
• 断句与标点：中文 OCR 普遍缺失标点，根据语义补全逗号、句号、分号；列表项保持独立成行。
• 剔除不可读碎片：纯 IP/主机名（如 192.168.x.x、WIN-XXXX）、logo 占位、单字符噪点行，
  确认非正文后直接删除或标注"[识别不清]"，不污染正文。
• 不臆测：原文缺失的信息不编造；仅做"同页已知信息内的"语言层面整理。

润色后仍需保持本技能规定的输出结构与表格/参考文献格式。

第六步：生成Word文档

使用 python-docx 库生成 .docx 文件。

文档规范：
- 字体：中文用"Microsoft YaHei"，英文用"Arial"
- 正文字号：11pt，行距1.5倍，首行缩进2字符
- 一级标题（讲座标题）：18pt，加粗，深蓝色 #1F4E79
- 二级标题（幻灯片标题）：14pt，加粗，蓝色 #2E75B6
- 页面：A4，上下边距2.2cm，左右2.5cm
- 页眉："PPT文字内容（详细整理版）"小字号灰色
- 页脚：页码

第七步：验证

生成后必须检查：
1. 幻灯片页数是否与PDF页数一致
2. 表格数量是否合理（有表格结构的页面都应生成表格）
3. 参考文献是否都已补充（检查每页底部是否有[数字]开头的行）
4. 段落是否完整（没有一句话拆成几行的情况），且无大面积 OCR 错字、语序颠倒、缺标点
——通读抽检每页，不通顺率高的页面回到第五步 5.5 重做通读润色
5. 输出文件大小（正常应在50KB~200KB之间）
6. 句子通顺度与可读性：随机通读 3~5 页，确认读得通、术语准确、无机械拼接痕迹；
若发现系统性不通顺，须对全部页面补做 5.5 通读润色后再交付

脚本文件说明

注意事项

1. 凭证可选：腾讯云密钥（TENCENT_SECRET_ID/TENCENT_SECRET_KEY）不是必须——默认走本地零密钥引擎。若提供密钥，仅作为高精度可选增强后端，且不要硬编码进脚本。
2. 参考文献是硬要求：宁可多花时间二次识别，也不能漏掉参考文献
3. 格式固定：无论用户提供的信息是否完整，输出格式结构不变；信息缺失的位置留空
4. 不编造内容：OCR识别不出的就是识别不出，绝不凭空补充或臆测
5. 表格优先：只要结构上是表格信息，就用Word表格呈现，不用纯文本堆砌