技能介绍

要解决的问题

扫描版 PDF 的文本层通常缺失或错乱，想把它变成可编辑的 DOCX，只能依赖 OCR。手工在 ABBYY FineReader 15 里逐个打开、导出，面对几十上百份文件时是纯粹的体力活；而直接写脚本循环调用 FineCmd.exe，又会遇到进程中途被杀、单个文件转换失败导致整批任务中断、重跑时重复处理已完成文件等问题。这个技能把批量转换包装成一个带故障恢复能力的流水线。

核心能力

批量扫描：递归遍历 ROOT_DIR 下的所有 PDF，在同目录生成同名 DOCX。
断点续传：通过 _abbyy_checkpoint.json 记录每个文件的状态（ok / skip / fail），重启后自动跳过已完成的文件。
三层防崩溃架构：

- 第 1 层是检查点机制，进程被杀后重新运行即可从断点继续；
- 第 2 层注册了 SIGINT/SIGTERM 信号处理器，按 Ctrl+C 会先保存进度再干净退出；
- 第 3 层是自看门狗，异常退出后最多自动重启 10 次，间隔 5 秒，另有独立看门狗每 60 秒检查一次进程存活。

单文件重试：每个 PDF 转换失败后自动重试最多 MAX_RETRIES 次，避免偶发 OCR 错误中断整批任务。
可配置语言：OCR_LANG 支持 ChinesePRC、English、Japanese、Mixed 等参数。

适用边界与注意点

仅适用于 Windows，且需要已安装 ABBYY FineReader 15 并持有合法许可证，ABBYY_FINECMD 默认指向 C:\Program Files\ABBYY FineReader 15\FineCmd.exe。
FineCmd.exe 必须通过 Python subprocess 调用，直接用 Bash 调用可能返回非零退出码却无任何输出。
路径含中文或空格时，必须使用原始字符串（r"..."）或正斜杠。
单文件转换耗时取决于页数，平均 15～30 秒；FILE_TIMEOUT 默认 900 秒，超大文件需自行调整。
每个转换会生成以 _ 开头的临时 XML 报告文件，成功后自动删除；检查点文件 _abbyy_checkpoint.json 不要手动删除，除非确实想从头开始。
转换失败时优先排查三项：FineCmd 路径是否正确、许可证是否有效、PDF 文件是否损坏。
基础版脚本不带断点续传等保护机制，只适合小批量、一次性的转换场景。