PaddleOCR 批量转换

通过百度 AI Studio 的 PaddleOCR-VL API，把一个目录里的 PDF 和图片批量转成 Markdown（含图片）。

支持的格式：.pdf、.png、.jpg、.jpeg、.bmp、.tif、.tiff、.webp（图片会被当作单页文档处理）。PDF 和图片可以混放在同一目录里一起处理。

一次性准备

# 1. 创建虚拟环境并安装依赖
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt

# 2. 配置 token：复制模板后填入你的 AI Studio access token
cp .env.example .env
# 然后编辑 .env，把 PADDLEOCR_TOKEN 改成你的真实 token

运行命令（复制粘贴即用，按需修改）

# 基本用法：转换某个目录下的所有 PDF / 图片，结果输出到 ./output
.venv/bin/python ocr.py --input "/path/to/files" --output ./output --workers 3

# 实际例子：转换爱德基金会那批 PDF
.venv/bin/python ocr.py --input "/Users/liangnuanhui/Downloads/reference/爱德" --output ./output --workers 3

# 重新转换（忽略已完成标记，强制全部重跑）
.venv/bin/python ocr.py --input "/path/to/files" --output ./output --workers 3 --force

# 单线程运行（最稳，速度慢；调试时用）
.venv/bin/python ocr.py --input "/path/to/files" --output ./output --workers 1

参数说明

参数	说明	默认值
--input	存放 PDF / 图片的目录（会递归查找子目录中支持的文件）	必填
--output	输出目录	output
--workers	并行处理的文件数	1
--force	重新处理已标记完成的文件	关闭

输出结构

每个输入文件在输出目录下生成一个同名子目录：

output/
└── 文件名/
    ├── 文件名.md      # Markdown 正文，页面间用 <!-- page N --> 分隔
    ├── imgs/...       # 从文档中提取的图片
    └── .done          # 完成标记，重跑时自动跳过（除非加 --force）

⚠️ 输出子目录按文件名（去掉后缀）命名，所以同一目录下若有 report.pdf 和 report.png，会写入同一个子目录并互相覆盖。混放时注意文件名不要去后缀后重名。

断点续传

• 已完成的文件（存在 .done）在重跑时会自动跳过。
• 上传后被中断的任务会保存 job_id，下次运行直接从该任务恢复，无需重新上传 PDF。
• Ctrl+C 可安全中断：排队中的任务被取消，正在轮询的任务会保存进度以便恢复。