我的任务需求是这样的，有几千个对报告单扫描生成的PDF文件，要对这些PDF上有用的部分进行提取。所以，就想到了OCR文字识别。
所以我要做的是：使用Python将PDF都转为PNG，使用百度开放的Paddle OCR对PNG进行文字识别，提取需要的部分。

关于PDF转PNG，见博客Python：PDF转PNG（6行代码搞定）。

Paddle开源连接：Paddle OCR快速开始

按照步骤其实来挺简单的：

1. 安装PaddlePaddle，相当于Torch这样一个框架（如果使用GPU版本的话，看你的CUDA是否满足要求，否则可以使用CPU版本）；
2. 安装Paddle OCR whl包，之后就可以使用了，使用命令行方式或者复制Python脚本运行并可以结果可视化，看是否对你的任务识别准确。（记得修改图像路径，以及保存路径）；
3. 结果是一个list，每个item包含了文本框，文字和识别置信度，我们提取有用的部分就行了。