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。

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：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121pip install transformers safetensors

如果要处理视频或多模态任务，再安装opencv-python：

pip install opencv-python

再安装加速依赖包：

pip install accelerate

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

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：

![gpugeek算力部署：扫描版PDF转Word](https://mmbiz.qpic.cn/sz_mmbiz_png/FQd8gQcyN24NUick5HiaYz0Xdlv1HEbAkTMeia34XKNnOryRnPXERg80A28L6Iiby67Hky2iaOklvkUs4RLXicr8rcmw/640?wx_fmt=png&from=appmsg&tp=wxpic&wxfrom=5&wx_lazy=1)![img]()![img]()
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 -P 41277 ocr_test.pdf root@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：
![gpugeek算力部署：扫描版PDF转Word](https://mmbiz.qpic.cn/sz_mmbiz_png/FQd8gQcyN24NUick5HiaYz0Xdlv1HEbAkTWtMMPj1ZVAFrQsTzv6XicwK0QbtatEFzB4sz9W83GexpmVRLKPA8RPg/640?wx_fmt=png&from=appmsg&tp=wxpic&wxfrom=5&wx_lazy=1)![img]()![img]()
再安装PDF转Image的包：

pip install pdf2image python-docx

然后安装pdf2image的一个系统依赖包，如下所示：

sudo apt updatesudo apt install poppler-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：

限于本文篇幅，以上完整89行源代码文件全部放在下面我的公众号，获取方式回复：智能体

以上就是扫描版PDF转word的完整步骤，所有代码也全部为大家准备好，大家只需实践下就行。

以上方法也不是完美的，我看了下，目前发现只有目录部分转化有些问题，因为目录分为左右两个部分，但是转Word后，只把左侧目录完整转出来了，右侧部分有些丢了未转化，同样方法问了更满血的国外模型也不行，相信未来多模态大模型能搞定。

最终总结

本文章解决了一个大家普遍遇到的问题，就是如何将扫描的PDF书直接转为word，文中介绍了基于 Qwen2.5-VL-7B 多模态大模型，自动读取扫描版 PDF，具有如下特色：

转化准确率高；哪怕一整本扫描的书也能轻松应对；文中全部代码和步骤都开源，确保大家可以复现。

关于跑Qwen2.5-VL-7B大模型使用算力问题，可以薅下gpugeek这家公司的羊毛，目前我看到他家注册还有多重福利，学生认证还能领到更高的券，感兴趣的点击下面【阅读原文】可以试试。海外版现在我看着也有了，访问地址：https://gaias.io

后面再有遇到扫描版PDF转Word的，大家记得回来看这篇教程。好了就到这里。

以上全文4