你好，我是郭震
經常收到讀者後臺留言，問如何處理掃描版PDF，怎麼把裡面的字準確批次提取出來，然後儲存為txt，word啥的。
今天這篇文章我來探索一種較好的解決方案，提供完整智慧體原始碼，詳細操作步驟，確保大家可以復現，感興趣的可以看看。
1 展示效果
從我電腦上找了一本《天池比賽》掃描版PDF，掃描版意思就是全是圖片，並且圖片清晰度不怎地，如下圖所示全書365頁：
某頁截圖：
下面是使用本文介紹的方法，批次處理這個掃描版PDF，選取第十頁的提取結果，左側圖是原版，右側是提取後儲存成word的結果：
大家可以對一對，我看了下提取正確率非常高，所以想要處理掃描PDF的可以使用本文方法。
一句話總結下這個解決方案：基於 Qwen2.5-VL-7B 多模態大模型構建智慧體，自動讀取掃描版 PDF，藉助影像多模態逐頁理解內容，並按閱讀順序整理輸出，最終生成結構清晰的 Word 文件。
這個方案的主要特色：
1）7B模型，消費級顯示卡完全可以本地執行；
2）基於多模態（Vision-Language)能力理解圖片內容，相比傳統的OCR識別方法，準確度大大提升；
3）全自動化批次處理，放在後臺執行，一本書很快就能轉化完。
有些讀者跑這樣的模型一回，電腦就熱的發燙，心疼電腦。還有些電腦沒有GPU，跑起來太慢了。
確實也是，在本地跑大模型很耗電腦，沒有GPU效率也很慢，最好的方法就是薅一些平臺的羊毛，他們提供了遠端GPU算力，一般註冊剛開始都會送一些券，夠用一段時間。
比如騰訊雲，gpugeek，阿里雲，這些平臺都提供了GPU算力，其中gpugeek的算力平時經常用，用起來挺友好，送的券現在還沒用完。今天就以他家的這個平臺，咱們把掃描版PDF直接轉出word來，走起。
2 薅GPU算力
進入gpugeek，如下所示：
https://gpugeek.com
點選右上角登入，進入下面介面，選擇建立例項：
選擇一個型號，比如24GB視訊記憶體跑Qwen2.5-VL-7B，足夠了：
RTX-A5000, 24G視訊記憶體，95GB記憶體：
選擇官方映象，依次選擇如下圖所示，Miniconda主要為了配置環境：
點選建立後，GPU算力映象開始建立：
顯示執行中，表明映象建立好了，直接就能開始薅他家的GPU算力了：
然後點選登入：
複製登入指定到命令視窗：
輸入密碼後，登入到GPU伺服器，如下圖所示：
使用下面命令檢視GPU：
nvidia-smi --list-gpus如下所示，顯示為GPU 0，RTX A5000型號：
3 安裝環境
安裝torch，transformers等，直接複製下面兩行命令執行：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121pip install transformers safetensors如果要處理影片或多模態任務，再安裝opencv-python：pip install opencv-python再安裝加速依賴包：
pip install accelerate以上環境就安裝好了，不需要寫程式碼，只需要執行命令。
咱們搞個demo，大家直接複製下面程式碼，儲存為：vl_ocr.py
from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessorfrom qwen_vl_utils import process_vision_info# default: Load the model on the available device(s)model = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", torch_dtype="auto", device_map="auto")# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(# "Qwen/Qwen2.5-VL-7B-Instruct",# torch_dtype=torch.bfloat16,# attn_implementation="flash_attention_2",# device_map="auto",# )# default processerprocessor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")# The default range for the number of visual tokens per image in the model is 4-16384.# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.# min_pixels = 256*28*28# max_pixels = 1280*28*28# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)messages = [ {"role": "user","content": [ {"type": "image","image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg", }, {"type": "text", "text": "請用中文描述這張圖片的內容。"}, ], }]# Preparation for inferencetext = processor.apply_chat_template( messages, tokenize=False, add_generation_prompt=True)image_inputs, video_inputs = process_vision_info(messages)inputs = processor( text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt",)inputs = inputs.to("cuda")# Inference: Generation of the outputgenerated_ids = model.generate(**inputs, max_new_tokens=128)generated_ids_trimmed = [ out_ids[len(in_ids) :] for in_ids, out_ids inzip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode( generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)print(output_text)然後輸入如下命令執行，如下圖所示：
因為本地還沒有下載過
"Qwen2.5-VL-7B" 模型，所以 transformers 框架自動去 Huggingface 下載模型的全部權重檔案。model.safetensors.index.json 是模型的索引檔案。model-00001-of-00005.safetensors 等這幾個是模型的權重分片（大模型通常被切成多個小塊，分片下載）。咱們預設輸入如下這個圖片，讓它理解下這個圖的資訊：
![]()
![]()
返回英文了：咱們修改下程式碼這裡，提示詞告訴它使用中文描述：下面是中文返回結果，如下圖所示：以上描述結果，大家覺得如何，有沒有覺得很精準呀。4 掃描版PDF開始轉Word上傳一個300多頁的pdf檔案到伺服器，使用scp命令：scp -P 41277 ocr_test.pdf root@你的伺服器名字（來源文章一開始複製的登入地址）提示輸入密碼後，輸入文章一開始登入地方的密碼，如下圖所示：
![]()
![]()
再安裝PDF轉Image的包：pip install pdf2image python-docx然後安裝pdf2image的一個系統依賴包，如下所示：
sudo apt updatesudo apt install poppler-utils完整程式碼scanpdf_to_doc.py檔案一共89行程式碼，是的，只需要89行程式碼就可以實現這樣的實用功能：
程式執行後的效果如下圖所示：
特意找了難度最高的目錄頁，因為目錄頁清晰度很差，但是展示效果如下圖所示，沒有問題，就連頁碼也都對齊整了：
限於本文篇幅，以上完整89行原始碼檔案全部放在下面我的公眾號，獲取方式回覆：智慧體以上就是掃描版PDF轉word的完整步驟，所有程式碼也全部為大家準備好，大家只需實踐下就行。
以上方法也不是完美的，我看了下，目前發現只有目錄部分轉化有些問題，因為目錄分為左右兩個部分，但是轉Word後，只把左側目錄完整轉出來了，右側部分有些丟了未轉化，同樣方法問了更滿血的國外模型也不行，相信未來多模態大模型能搞定。最終總結
本文章解決了一個大家普遍遇到的問題，就是如何將掃描的PDF書直接轉為word，文中介紹了基於 Qwen2.5-VL-7B 多模態大模型，自動讀取掃描版 PDF，具有如下特色：
轉化準確率高；哪怕一整本掃描的書也能輕鬆應對；文中全部程式碼和步驟都開源，確保大家可以復現。
關於跑Qwen2.5-VL-7B大模型使用算力問題，可以薅下gpugeek這家公司的羊毛，目前我看到他家註冊還有多重福利，學生認證還能領到更高的券，感興趣的點選下面【閱讀原文】可以試試。海外版現在我看著也有了，訪問地址：https://gaias.io
後面再有遇到掃描版PDF轉Word的，大家記得回來看這篇教程。好了就到這裡。
以上全文4398字，23張圖。如果覺得這篇文章對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個⭐️，謝謝你看我的文章，我們下篇再見。