PDF OCR 增强工具（腾讯云 OCR + 手写签名）

本 skill 将图片型 PDF 转换为可搜索的 OCR 版 PDF，使用腾讯云 OCR 提供高精度中文识别。

特点：无需安装腾讯云 SDK，手写 TC3-HMAC-SHA256 签名直调 API。

前置依赖

Python 依赖

pip install pymupdf

> 仅需 PyMuPDF（fitz），用于 PDF 渲染和文字叠加

腾讯云配置

需要设置环境变量或直接修改脚本中的凭证：

• TENCENTCLOUD_SECRET_ID - 密钥 ID
• TENCENTCLOUD_SECRET_KEY - 密钥 Key
• TENCENTCLOUD_REGION - 区域（默认：ap-guangzhou）

快速使用

# 基本用法（输出到同目录，文件名加"_可搜索"后缀）
python3 pdf-ocr-tencent.py "扫描件.pdf"

# 指定输出路径
python3 pdf-ocr-tencent.py "输入.pdf" "输出.pdf"

工作流程

1. PDF 每页 → 144 DPI 渲染为 JPEG 图片
2. 图片 base64 → 腾讯云 GeneralAccurateOCR API
3. OCR 结果（文字+坐标）→ 叠加到图片底图上
4. 输出可搜索 PDF（Ctrl+F 可搜索）

参数说明

核心实现

TC3-HMAC-SHA256 签名（手写，无需 SDK）

def sign(key, msg):
    return hmac.new(key, msg.encode("utf-8"), hashlib.sha256).digest()

def get_signature(secret_id, secret_key, service, region, timestamp, payload):
    date = datetime.datetime.utcfromtimestamp(timestamp).strftime("%Y-%m-%d")
    # ... 完整签名流程见脚本

关键点：

• 必须用 utcfromtimestamp（不能用 fromtimestamp(tz=UTC)，会导致日期差 8 小时）
• 使用 ItemPolygon 获取文本块坐标（大写 X/Y/Width/Height）
• 文字层必须用 fontname="china-s"（宋体），否则中文不可见

可搜索 PDF 生成

# 文字坐标需 Y 轴翻转（PDF 坐标原点在左下）
x0 = blk['x'] * sx
y0 = (img_h - blk['y'] - blk['h']) * sy
x1 = (blk['x'] + blk['w']) * sx
y1 = (img_h - blk['y']) * sy

page_out.insert_textbox(
    fitz.Rect(x0, y0, x1, y1),
    text,
    fontsize=max(rect.height * 0.65, 5),
    fontname="china-s",  # 关键！中文字体
    color=(0, 0, 0),
)

输出

• 可搜索 PDF：图片底图 + 不可见文字层
• 支持 Ctrl+F 搜索、复制文字
• 文件保存到指定路径或原目录

适用场景

注意事项

1. 腾讯云 OCR 免费额度：每月 1000 次通用印刷体识别（GeneralAccurateOCR）
2. 大文件处理：225 页 PDF 约需 15-30 分钟（每页调一次 API）
3. API 凭证：脚本内硬编码了密钥，长期使用建议改用环境变量
4. 隐私：图片会上传至腾讯云处理

常见问题

Q: 文字层看不见/搜索不到？

A: 检查是否使用了 fontname="china-s"，默认 Helvetica 不支持中文。

Q: 文字位置偏了？

A: 检查 Y 轴翻转逻辑：y0 = (img_h - blk['y'] - blk['h']) * sy

Q: 签名失败（AuthFailure）？

A: 确认用的是 utcfromtimestamp 而不是 fromtimestamp(tz=UTC)，后者会差 8 小时。