1、什么是PDF

PDF全称是Portable Document Format，是一种电子文档格式，由 Adobe 公司在 1993 年推出。它最牛的特点是：无论在什么设备、什么操作系统上打开，文件的排版和内容都保持不变。

举个例子，也是之前踩过的坑：标书的打印，最开始呢，我们是给打印社word文档。好，打印出来的页数跟我们自己看的不一样。写过标书的同学都知道，这个页数是要手动填写的，页数都变了，我们还要做调整。而且，不同的word版本，打开后显示的也不一样。也就是说，这一致性保持的不好。那么经验就来了，直接提供PDF文件，打印出来就没有惊喜了。

PDF按内容来源和可编辑性，常被分成下面两种：
扫描型 / 图片型 PDF：本质是图片，没有文字层。
数码型 / 文本型 PDF：由 Word、LaTeX、排版软件等生成，自带文字层。

2、本期目标

主要是针对第一种类型，就是没有文字层的PDF做OCR识别。

在整体界面都不变的情况下，选择文件时支持添加 PDF 文件，点击识别，可以导出识别后的文字到 TXT 文件。嗯，目前先做这个基础功能。
图中的PDF是用小程序Linc识别扫描而成，它主打一个扫描永久免费，无水印，导出方便。

4、技术实现

核心问题是将 PDF 转换为图片，再用 OCR 识别。PDF文件与图片不同点在于，有可能选择的PDF文件是一本书，这体量就大多了，需要做拆解处理，否则程序就会内存溢出。

我们再细节的规划下：

1. PDF → 图：PdfPageRasterizer 用 Docnet（PDFium）把一页渲成 Mat
2. 图 → 字：OcrService 把这张 Mat 直接传给原来的 TextSystem.Run
3. 多页 → 队列：桌面把 PDF 拆成「第 n 页」队列项，识别/预览时再按需渲

对应关系大概是：

┌─────────────────────────────────────────────────────────────┐
│  OnnxOcr.App                                                │
│    Pdf/PdfPageRasterizer.cs     ← 负责读页数、渲单页       │
│    Services/OcrService.cs       ← RecognizePdf* 串行调上面   │
│    Models/PdfOcr*.cs            ← 按页结果 / 进度 / 截断标记 │
├─────────────────────────────────────────────────────────────┤
│  OnnxOcr.Desktop                                            │
│    QueueItemViewModel           ← FilePath + PdfPageIndex    │
│    MainViewModel                ← 入队截断、按页识别、导出   │
├─────────────────────────────────────────────────────────────┤
│  OnnxOcr.Core（不变）                                         │
│    TextSystem.Run(Mat)          ← 还是原来的检测 + 识别      │
└─────────────────────────────────────────────────────────────┘

4.1 渲页：PdfPageRasterizer

**Docnet（PDFium）**封装了 Google Chromium 浏览器使用的 PDFium C++ 渲染引擎，用于在 .NET 应用中快速读取、解析和渲染 PDF 文档。

两个入口：

• GetPageCount(path)：打开文档拿到PDF文件的页数
• RenderPage(path, pageIndex, dpi)：渲一页，返回 BGR Mat，调用方 using 释放

一些编程上的细节：
PDF 里长度单位是 point（1/72 英寸）。Docnet 的 PageDimensions(scalingFactor) 要的是 pixels-per-point，所以：

scalingFactor = dpi / 72

默认 DPI=200 → scaling ≈ 2.778。A4 大概会渲到一千多像素宽。

GetImage() 拿到的是 BGRA 原始像素，不是 PNG。很多 PDF 页带透明通道，如果丢掉 alpha，透明区会变黑底，这样检测模型就没办法识别了。我们可以先铺一张白底，再按 alpha 把彩色贴上去，最后交给 OCR 就可以了：

// 伪代码：白底 + alpha 合成
white.CopyTo(result);
bgr.CopyTo(result, alphaChannel);

4.2 串行识别：RecognizePdfAsync

库 API 如下：

Task<PdfOcrResult> RecognizePdfAsync(
    string pdfPath,
    PdfRecognizeOptions? options = null,      // Dpi、MaxPages
    IProgress<PdfOcrProgress>? progress = null,
    CancellationToken cancellationToken = default);

核心循环可以这样设计：

totalPages = GetPageCount
toProcess  = MaxPages.HasValue ? Min(MaxPages, totalPages) : totalPages
WasTruncated = toProcess < totalPages

for i in 0 .. toProcess-1:
    progress.Report(当前页 / 本次页数 / 文档总页数)
    try:
        mat = RenderPage(pdf, i, dpi)     // using，出作用域就释放
        result = TextSystem.Run(mat)     // 与认 jpg 同一条路
        pages.Add(成功)
    catch (不是取消):
        pages.Add(失败 + ErrorMessage)    // 单页挂了不中断整本

单页核心的三行逻辑：

using var image = PdfPageRasterizer.RenderPage(pdfPath, pageIndex, dpi);
var result = _textSystem.Run(image);
return OcrRunResult.From(result, $"{pdfPath}#page={pageIndex + 1}");

4.3 桌面：拆页入队 + 识别时再渲

桌面没有在添加文件时把 PDF 都导出jpg。现在的做法是扩展队列项：

QueueItemViewModel
  FilePath      → 那个 .pdf 路径
  PdfPageIndex  → 0-based；普通图片为 null
  QueueKey      → "path#page=3"，用来去重
  FileName      → "书名.pdf · 第 4 页"

添加时：GetPageCount → 生成前 CommunityPdfMaxPages（10）个队列项；超了就弹窗/状态栏说明。

识别时：若 item.IsPdfPage，走 RecognizePdfPageAsync(path, pageIndex)，否则走原来的 RecognizeAsync(图片路径)。

预览时：同样按 PdfPageIndex 现渲一页再 ToBitmapSource，点哪页渲哪页。

导出 TXT：PDF 页用 --- 第 n 页 --- 分隔。

4.4 库侧怎么调

整本（可截断）：

using OnnxOcr.App.Services;
using OnnxOcr.App.Pdf;
using OnnxOcr.Core.Configuration;

using var service = new OcrService(OcrModelPreset.PpOcrV6Tiny);

var pdf = await service.RecognizePdfAsync(
    "scan.pdf",
    new PdfRecognizeOptions { Dpi = 200, MaxPages = null },
    new Progress<PdfOcrProgress>(p =>
        Console.WriteLine($"[{p.CurrentPage}/{p.TotalToProcess}] 文档共 {p.TotalInDocument} 页")));

foreach (var page in pdf.Pages.Where(p => p.Success))
{
    Console.WriteLine($"--- 第 {page.PageIndex + 1} 页 ---");
    foreach (var line in page.Result!.Lines)
        Console.WriteLine(line.Text);
}

if (pdf.WasTruncated)
    Console.WriteLine($"已截断：{pdf.ProcessedPages}/{pdf.TotalPages}");

只要某一页：

var page = await service.RecognizePdfPageAsync("scan.pdf", pageIndex: 0, dpi: 200);

5、用法一览

还是熟悉的三栏。文字模式下，添加文件的过滤器里多了 PDF：

┌─ 文字识别   模型 / 设备 / 添加 / 开始识别 / 导出 TXT ─┐
├──────────┬────────────────────┬───────────────────────┤
│ 文件队列  │  当前页预览 + 检测框 │  当前页识别结果        │
│ ····pdf · 第 1 页              │                       │
│ ····pdf · 第 2 页              │                       │
└──────────┴────────────────────┴───────────────────────┘

使用方法：

1. 模式保持 文字识别（表格模式会明确提示不支持 PDF）
2. 添加一个或多个 PDF（也可和图片混着加）
3. 队列里会按页拆开；目前支持识别前 10 页。时间关系，先验证路径。后续做强大的书籍PDF识别支持。
4. 点 开始识别——按需渲页，认完一页释放一页
5. 导出 TXT 时，页与页之间用 --- 第 n 页 --- 隔开
   

6、小结

PDF识别要做的东西挺多的，今天先开了一个头，将基础的识别转文字完成了。
而业界也有很多难题没有完美的解决，比如表格结构的识别、手写体与公式的识别、导出DOC并恢复文档结构等等。
接下来我会从简单着手，慢慢完善这些功能。

7、获取地址

# 源码
https://github.com/lincyang/OnnxOCRSharp

# NuGet
dotnet add package OnnxOCRSharp --version 0.4.0

# 桌面应用 Release
https://github.com/lincyang/OnnxOCRSharp/releases

---

系列导航（持续更新）

• 00｜从今天起，记录它的每一步
• 01｜v0.3.0 表格识别
• 02｜v0.4.0 PDF 识别
• 前传｜C# 移植 MVP、《PP-OCRv6 升级》、《GPU 与竖排》、《多文件识别》、《Python 表格识别》