在数字化办公场景中，将扫描件或纯图片 PDF 转换为“可搜索、可选择、可复制”的 PDF 是一项刚需。本文将分享一个基于 PaddleOCR 和 FastAPI 开发的高性能 PDF OCR 服务。该项目通过多线程并行处理、99% 还原 PDF 页面的渲染算法和二分字号匹配技术，实现了生产级的处理速度与视觉还原精度。
- 🚀 GPU 多线程加速：利用
ThreadPoolExecutor实现页面级的并行 OCR，配合 GPU 加速，极大提升了大文件处理速度。 - 🎯 99% 页面还原：采用 2 倍缩放因子 (
ZOOM_FACTOR = 2.0) 和 DPI 对齐技术，确保生成的 PDF 页面与原图 99% 一致。 - 📐 精准渲染对齐：二分搜索算法自动匹配最佳字号，配合
px_to_pt坐标转换，透明文本层与原图文字完美重合。 - 📊 实时进度追踪：通过 SSE（Server-Sent Events）技术，在前端实时展示“渲染-识别-合并”的全流程百分比进度。
- 🐳 Docker 一键部署：完整集成环境配置，支持在容器内快速启动服务。
- 💾 断点续传机制：自动保存每页的 OCR 结果为 JSON，支持异常中断后的快速恢复。
- 后端: FastAPI (Python 3.10+)
- OCR 引擎: PaddleOCR (PP-OCRv5 server 系列模型)
- PDF 处理: PyMuPDF (fitz) + ReportLab
- 前端: Vue 3 + Element Plus
为了实现 99% 的页面还原度，我们严格对齐了渲染参数：
# 关键配置参数
IMG_DPI = 150 # 输入图像 DPI
PDF_DPI = 150 # 输出 PDF DPI
PT_PER_INCH = 72 # PDF 点每英寸
ZOOM_FACTOR = 2.0 # 2 倍缩放确保高精度
SCALE = 3 # 字体适配缩放系数
# 坐标转换：像素 -> PDF 点
pdf_width_pt = img_w_zoom * PT_PER_INCH / PDF_DPI
pdf_height_pt = img_h_zoom * PT_PER_INCH / PDF_DPI为了让 PDF 中的文字能够精准覆盖在原图上方，我们实现了基于 PIL 的字号二分搜索算法：
def fit_font_size(text, target_w_px, target_h_px):
lo, hi = 1, 2000
best = 12
target_w = target_w_px * PT_PER_INCH / PDF_DPI * SCALE
target_h = target_h_px * PT_PER_INCH / PDF_DPI * SCALE
for _ in range(25):
mid = (lo + hi) // 2
font = get_font(mid)
tw, th = get_text_size(text, font)
# 允许一定误差，确保文字能填满识别框
if tw <= target_w + 10 and th <= target_h + 10:
best, lo = mid, mid + 1
else:
hi = mid
return max(6, best // SCALE)def process_page(args_tuple):
# 1. 读取原图并 2 倍缩放
orig_img = cv2.imread(img_path)
img_h, img_w = orig_img.shape[:2]
img_w_zoom = int(img_w * ZOOM_FACTOR)
img_h_zoom = int(img_h * ZOOM_FACTOR)
# 2. 计算 PDF 页面尺寸
pdf_width_pt = img_w_zoom * PT_PER_INCH / PDF_DPI
pdf_height_pt = img_h_zoom * PT_PER_INCH / PDF_DPI
# 3. 绘制背景（原图或白色）
if TEXT_VISIBLE:
img_zoom = cv2.resize(orig_img, (img_w_zoom, img_h_zoom),
interpolation=cv2.INTER_LANCZOS4)
c.drawImage(ImageReader(img_pil), 0, 0,
width=pdf_width_pt, height=pdf_height_pt)
# 4. 绘制透明文本层
for text, poly in zip(texts, polys):
box = np.array(poly, dtype=np.float32).reshape(4, 2) * ZOOM_FACTOR
# ... 字体计算与绘制多线程模式下，OCR 模型只需加载一次到 GPU 显存，所有线程共享：
OCR_INSTANCE = None
def get_ocr_instance():
"""获取全局 OCR 实例，多线程共享（GPU 友好）"""
global OCR_INSTANCE
if OCR_INSTANCE is None:
OCR_INSTANCE = init_ocr()
return OCR_INSTANCE
def init_ocr():
device = get_device() # 自动检测 GPU
return PaddleOCR(
text_detection_model_name="PP-OCRv5_server_det",
text_recognition_model_name="PP-OCRv5_server_rec",
device=device # gpu:0 或 cpu
)with ThreadPoolExecutor(max_workers=4) as executor:
future_to_idx = {executor.submit(process_page, t): i
for i, t in enumerate(tasks)}
for future in as_completed(future_to_idx):
page_pdfs[idx] = future.result()@app.post("/api/ocr")
async def ocr(file: UploadFile, visible: bool = Form(True)):
tid = str(uuid.uuid4())
# 保存上传文件
with open(pdf_path, "wb") as f:
f.write(await file.read())
# 启动 OCR 子进程
subprocess.Popen([
"python", "pdf_ocr_select.py",
"--pdf", pdf_path,
"--out", out_path,
"--task_id", tid,
"--visible" if visible else ""
])
return {"task_id": tid}@app.get("/api/sse/{tid}")
def sse(tid: str):
def event_generator():
while True:
with open(progress_file) as f:
data = json.load(f)
yield f"data: {json.dumps(data)}\n\n"
if data.get("done"):
break
time.sleep(0.4)
return StreamingResponse(event_generator(), media_type="text/event-stream")<el-checkbox v-model="isVisible"
label="生成带原图背景的可搜索 PDF" />
<el-upload :auto-upload="false"
accept=".pdf"
:on-change="handleFileChange">
<el-button type="primary">选择 PDF 文件</el-button>
</el-upload>
<el-progress :percentage="percent"
:stroke-width="20"
text-inside />sudo apt update
sudo apt install -y \
python3.10 \
python3.10-venv \
python3.10-dev \
python3.10-distutils \
python3-pipconda create --name paddle python==3.10
conda activate paddle适用于拥有 NVIDIA GPU 的用户：
python -m pip install paddlepaddle-gpu==3.2.0 \
-i https://www.paddlepaddle.org.cn/packages/stable/cu118/适用于无 GPU 或仅使用 CPU 的用户：
python -m pip install paddlepaddle==3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/pip install fastapi uvicorn python-multipart pymupdf paddleocr==3.2.0 reportlab logging beautifulsoup4nvidia-smi
nvcc --version请以您自己的输出为准：
[此处应显示您本地的 nvidia-smi 和 nvcc --version 输出]
docker run --name paddle_ocr_service \
-itd \
-v $PWD:/paddle \
-p 8038:8038 \
ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle:3.2.0 \
/bin/bashcd /paddle
pip install fastapi uvicorn python-multipart pymupdf paddleocr==3.2.0 reportlab logging beautifulsoup4
python main.py访问 http://localhost:8038 即可使用。
- 上传 PDF：点击按钮选择需要处理的文件。
- 配置选项：勾选“生成带原图背景的可搜索 PDF”以获得 99% 还原效果。
- 监控进度：实时查看“渲染 → OCR 识别 → PDF 合并”各阶段进度。
- 下载结果：处理完成后下载可搜索 PDF。
本项目通过 DPI 对齐、2 倍缩放、二分字号匹配 三大技术，实现了 PDF 页面的 99% 还原。结合 GPU 多线程加速，既保证了视觉一致性，又大幅提升了处理速度。
希望这篇实战分享能对你有所帮助！如有疑问欢迎在评论区讨论。