技能介绍

解决高棉语扫描件的数字化痛点

在处理柬埔寨语（高棉语）文档时，PDF 扫描件往往无法直接复制文本，而市面上常见的 OCR 工具对高棉语 Unicode 的支持并不理想，导致输出乱码或排版错乱。khmer-pdf-ocr 专为解决这一痛点而生，它能够将纯图像型的高棉语 PDF 直接转换为可编辑、可检索的 UTF-8 纯文本，同时兼顾英语混排场景。

核心能力与处理流程

该技能底层依赖 Tesseract 5.x 引擎与 Poppler 渲染库，核心脚本为 scripts/khmer_ocr.py。其工作流主要分为三个步骤：

光栅化转换：通过 pdf2image 将 PDF 逐页渲染为高分辨率图像，默认 DPI 为 300。
双语识别：调用 Tesseract 的 khm+eng 语言包进行 OCR 识别，精准处理高棉语与英语混排的版面。
结构化输出：识别结果按页保存为独立的 .txt 文件（如 page_01_khmer.txt），并自动合并生成 full_text.txt 全文文件，编码统一为 UTF-8。

适用边界与避坑指南

在将此工具投入实际生产前，请务必明确其适用边界：

仅限印刷体：该工具仅针对正式印刷文档优化，无法识别手写体。
输入源要求：仅适用于无文字层的纯扫描件。若 PDF 已包含文本层，请优先使用 lit parse --no-ocr 直接提取，避免不必要的算力浪费。
图像质量敏感：识别准确率与输入图像质量强相关。建议扫描 DPI 不低于 200；若页面噪点严重，需在 OCR 前增加去噪预处理步骤。在柬埔寨公司章程等正式印刷体的实测中，准确率通常在 70% 至 80% 之间。