Qwen能吞下整本扫描版PDF，直接转Word了，这波操作太赞了！

经常收到读者后台留言，问如何处理扫描版PDF，怎么把里面的字准确批量提取出来，然后保存为txt，word啥的。

今天这篇文章我来探索一种较好的解决方案，提供完整智能体源码，详细操作步骤，确保大家可以复现，感兴趣的可以看看。

1 展示效果

从我电脑上找了一本《天池比赛》扫描版PDF，扫描版意思就是全是图片，并且图片清晰度不怎地，如下图所示全书365页：

某页截图：

下面是使用本文介绍的方法，批量处理这个扫描版PDF，选取第十页的提取结果，左侧图是原版，右侧是提取后保存成word的结果：

大家可以对一对，我看了下提取正确率非常高，所以想要处理扫描PDF的可以使用本文方法。

一句话总结下这个解决方案：基于 Qwen2.5-VL-7B 多模态大模型构建智能体，自动读取扫描版 PDF，借助图像多模态逐页理解内容，并按阅读顺序整理输出，最终生成结构清晰的 Word 文档。

这个方案的主要特色：

1）7B模型，消费级显卡完全可以本地运行；

2）基于多模态（Vision-Language)能力理解图片内容，相比传统的OCR识别方法，准确度大大提升；

3）全自动化批量处理，放在后台运行，一本书很快就能转化完。

有些读者跑这样的模型一回，电脑就热的发烫，心疼电脑。还有些电脑没有GPU，跑起来太慢了。

确实也是，在本地跑大模型很耗电脑，没有GPU效率也很慢，最好的方法就是薅一些平台的羊毛，他们提供了远程GPU算力，一般注册刚开始都会送一些券，够用一段时间。

比如腾讯云，gpugeek，阿里云，这些平台都提供了GPU算力，其中gpugeek的算力平时经常用，用起来挺友好，送的券现在还没用完。今天就以他家的这个平台，咱们把扫描版PDF直接转出word来，走起。

2 薅GPU算力

进入gpugeek，如下所示：

https://gpugeek.com

点击右上角登录，进入下面界面，选择创建实例：

选择一个型号，比如24GB显存跑Qwen2.5-VL-7B，足够了：

RTX-A5000, 24G显存，95GB内存：

选择官方镜像，依次选择如下图所示，Miniconda主要为了配置环境：

点击创建后，GPU算力镜像开始创建：

显示运行中，表明镜像创建好了，直接就能开始薅他家的GPU算力了：

然后点击登录：

复制登录指定到命令窗口：

输入密码后，登录到GPU服务器，如下图所示：

使用下面命令查看GPU：

nvidia-smi--list-gpus

如下所示，显示为GPU 0，RTX A5000型号：

3 安装环境

安装torch，transformers等，直接复制下面两行命令执行：

pipinstalltorchtorchvision--index-urlhttps://download.pytorch.org/whl/cu121pipinstalltransformerssafetensors

如果要处理视频或多模态任务，再安装opencv-python：


pipinstallopencv-python

再安装加速依赖包：

pipinstallaccelerate

以上环境就安装好了，不需要写代码，只需要执行命令。

咱们搞个demo，大家直接复制下面代码，保存为：vl_ocr.py

fromtransformersimportQwen2_5_VLForConditionalGeneration,AutoTokenizer,AutoProcessorfromqwen_vl_utilsimportprocess_vision_info#defaultoadthemodelontheavailabledevice(s)model=Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct",torch_dtype="auto",device_map="auto")#Werecommendenablingflash_attention_2forbetteraccelerationandmemorysaving,especiallyinmulti-imageandvideoscenarios.#model=Qwen2_5_VLForConditionalGeneration.from_pretrained(#"Qwen/Qwen2.5-VL-7B-Instruct",#torch_dtype=torch.bfloat16,#attn_implementation="flash_attention_2",#device_map="auto",#)#defaultprocesserprocessor=AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")#Thedefaultrangeforthenumberofvisualtokensperimageinthemodelis4-16384.#Youcansetmin_pixelsandmax_pixelsaccordingtoyourneeds,suchasatokenrangeof256-1280,tobalanceperformanceandcost.#min_pixels=256*28*28#max_pixels=1280*28*28#processor=AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct",min_pixels=min_pixels,max_pixels=max_pixels)messages=[{"role":"user","content":[{"type":"image","image":"https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",},{"type":"text","text":"请用中文描述这张图片的内容。"},],}]#Preparationforinferencetext=processor.apply_chat_template(messages,tokenize=False,add_generation_prompt=True)image_inputs,video_inputs=process_vision_info(messages)inputs=processor(text=[text],images=image_inputs,videos=video_inputs,padding=True,return_tensors="pt",)inputs=inputs.to("cuda")#Inference:Generationoftheoutputgenerated_ids=model.generate(**inputs,max_new_tokens=128)generated_ids_trimmed=[out_ids[len(in_ids):]forin_ids,out_idsinzip(inputs.input_ids,generated_ids)]output_text=processor.batch_decode(generated_ids_trimmed,skip_special_tokens=True,clean_up_tokenization_spaces=False)print(output_text)

然后输入如下命令运行，如下图所示：

因为本地还没有下载过"Qwen2.5-VL-7B"模型，所以transformers框架自动去Huggingface下载模型的全部权重文件。model.safetensors.index.json是模型的索引文件。model-00001-of-00005.safetensors等这几个是模型的权重分片（大模型通常被切成多个小块，分片下载）。

咱们默认输入如下这个图片，让它理解下这个图的信息：

返回英文了：

咱们修改下代码这里，提示词告诉它使用中文描述：

下面是中文返回结果，如下图所示：

以上描述结果，大家觉得如何，有没有觉得很精准呀。

4 扫描版PDF开始转Word

上传一个300多页的pdf文件到服务器，使用scp命令：

scp-P41277ocr_test.pdfroot@你的服务器名字（来源文章一开始复制的登录地址）

提示输入密码后，输入文章一开始登录地方的密码，如下图所示：

再安装PDF转Image的包：

pipinstallpdf2imagepython-docx

然后安装pdf2image的一个系统依赖包，如下所示：

sudoaptupdatesudoaptinstallpoppler-utils

完整代码scanpdf_to_doc.py文件一共89行代码，是的，只需要89行代码就可以实现这样的实用功能：

程序运行后的效果如下图所示：

特意找了难度最高的目录页，因为目录页清晰度很差，但是展示效果如下图所示，没有问题，就连页码也都对齐整了：