先把 PDF 每页渲染成图再送进去——Xiaomi-OCR-0 处理多页文档的输入路径

扫描版 PDF 直接整份送进 Xiaomi-OCR-0，通常不是稳妥路径：PDF 内部可能是矢量文本、扫描位图、混合页面，模型端要么不接受这种容器格式，要么内部按自己的方式解码，你无法确认最终送进去的是哪一版像素。更可控的做法是先用 poppler 的 pdfinfo 和 pdftoppm 把每页渲染成 PNG，再按页序逐张送入模型。渲染 DPI 建议从 200 起步，先看 pdfinfo 给出的页面物理尺寸和小字号密度，再决定是否上调到 300；先用少量页面（比如正文密集的一页）试渲染，确认尺寸与清晰度后，再批量处理整份文档。

多页扫描 PDF 交给 Xiaomi-OCR-0，建议走“先渲染成单页位图、再逐页送入”的路径，而不是整份 PDF 直接投喂。操作顺序是：用 pdfinfo 确认 Pages 与 Page size 作为渲染基准，用 pdftoppm -r 200 -png 输出按页编号的 PNG，用 identify 或 PIL 核对页数、宽高和色彩模式，最后按文件名排序循环调用模型并把结果写回同序号文件。风险边界在于渲染 DPI 与图像尺寸上限需要结合模型端接受的输入规格确认；彩色扫描件渲染成 RGB 并不等于必须转灰度，是否转要看模型对通道的实际处理方式。

用 pdfinfo 读取页数与每页物理尺寸

渲染前先拿到页面基准，这一步决定后面 DPI 怎么定、页数对不对。poppler 的 pdfinfo 输出里，Pages 是总页数，Page size 是页面物理尺寸，单位通常是 points（1 point = 1/72 英寸）。如果各页尺寸不一致，有的版本会显示 Page size 后跟 (various) 或列出多组尺寸，这时要单独看单页。

pdfinfo input.pdf | grep -E '^(Pages|Page size)'

拿到 Page size 后可以粗略换算渲染像素：宽像素 ≈ 宽 points ÷ 72 × DPI。例如 A4 的 595 points 宽在 200 DPI 下约 1653 像素，在 300 DPI 下约 2479 像素。这个换算是判断“渲染后会不会过大”的依据，比渲染完再回头看尺寸省事。若页数很多但只需抽样，先记下目标页号，后面用 -f/-l 限定范围。

用 pdftoppm 按目标 DPI 逐页渲染 PNG

pdftoppm 会把 PDF 每页渲染成一张位图，输出文件名由你给的前缀加页号组成，这就是后面循环的输入来源。先建目录，再带 -r 指定 DPI、-png 指定格式：

先把 PDF 每页渲染成图再送进去——Xiaomi-OCR-0 处理多页文档的输入路径

mkdir -p pages
pdftoppm -r 200 -png input.pdf pages/page

输出命名规则是“前缀-页号.png”，页号会按总页数的位数补零，比如共几十页时通常得到 page-01.png、page-02.png 这样的文件；页数少的时候可能不补零。补零与否直接影响到第 4 步的排序，如果发现输出是 page-1.png 到 page-10.png，不要用纯字符串排序。只渲染部分页面时加页码范围：

pdftoppm -r 200 -png -f 3 -l 5 input.pdf pages/page

渲染完成后先用 ls pages/ | head 看一眼命名形态，记下来，再决定循环里怎么排序。如果 200 DPI 下小字糊成一团，再调高到 300 重渲染一次，不要在同一份文档里混用不同 DPI 的输出。

检查渲染结果的页数、宽高与色彩模式

这一步防两类问题：漏页，以及灰度或通道异常。先对页数：

ls pages/*.png | wc -l

得到的数字应当和 pdfinfo 的 Pages 一致；不一致通常说明用了 -f/-l 限定范围，或者渲染中途出错。再用 ImageMagick 的 identify 看宽高与色彩模式：

identify -format '%f %wx%h %[colorspace] %[channels]\n' pages/*.png

不想依赖 ImageMagick 时，用 PIL 读同样三项。建议把这段放在循环送模型之前当作前置校验：

from pathlib import Path
from PIL import Image

for p in sorted(Path("pages").glob("*.png")):
    im = Image.open(p)
    print(p.name, im.width, im.height, im.mode)

mode 为 RGB 表示三通道彩色，L 表示单通道灰度。扫描件本身是黑白文档、却被渲染成 RGB，这在多数情况下不影响识别，但如果模型端对通道数有固定预期，就要统一转换，操作是 mogrify -colorspace Gray pages/*.png 或用 PIL 的 convert("L") 另存一份。另需留意：如果渲染宽高明显超过模型端可接受的输入尺寸，模型侧可能自行缩放，缩多少要以实际配置为准，不要凭猜测断言无损。

按页序循环送入模型并回收结果

多页文档最容易出错的地方不是识别质量，而是结果拼回去时页序乱了。骨架的做法是：按页号数值排序读图，逐页调用，结果文件用与图片相同的序号命名，做到一图一文一一对应。下面只给调度骨架，call_ocr 需要替换成你实际环境的调用方式，具体参数以 Xiaomi-OCR-0 的接入说明为准，不要照抄占位实现。

import re
from pathlib import Path

def call_ocr(image_path):
    # 替换为实际调用：读入 image_path，返回该页文本或结构化结果
    raise NotImplementedError

out_dir = Path("ocr_out")
out_dir.mkdir(exist_ok=True)

pages = sorted(
    Path("pages").glob("*.png"),
    key=lambda p: int(re.search(r"(\d+)", p.stem).group(1)),
)

for p in pages:
    result = call_ocr(p)
    (out_dir / (p.stem + ".txt")).write_text(result, encoding="utf-8")
    print("done", p.name)

排序用正则提取页号再转整数，可以同时兼容 page-01.png 和 page-1.png 两种命名，避免 page-10 排在 page-2 前面。结果文件按 page-01.txt 这样落盘，和原图同名不同后缀，回查某一页的原文或截图时不用再猜。合并成整篇文本时按同样顺序读取：

for f in $(ls ocr_out/*.txt | sort -V); do cat "$f"; echo; done > merged.txt

如果某一页返回空结果，不要静默跳过：在循环里记录文件名和返回状态到一个日志文件，跑完后对照 ls pages/*.png 的清单逐条核对，缺哪页重新渲染该页再送一次，比整份重跑省时间。渲染 DPI、是否转灰度、结果命名规则这三项一旦定下来，建议在脚本里写成常量，避免第二次处理时参数漂移导致两次结果不可比。