详细流程及描述参见仓库（如果有用的话，请给个收藏）：
https://github.com/xurongtang/DocRevision_Proj当完成很长的文字工作后，很害怕其中有明显的错别字或表述错误，但是又不想自己重头再读一遍怎么办？
我使用OCR和LLM做了一个自动检校脚本。其逻辑如下：
工作流设计如下：
from openai import OpenAI
import time
import yaml, json
import io
from PIL import Image
import base64
import fitz # pip install pymupdf
from tqdm import tqdm
def get_apikey(path="apikey.yaml"):
with open(path, 'r') as f:
config = yaml.safe_load(f)
res = config["apikey"]
return res
def qwen_ocr(base64_image_code, addr_type):
client = OpenAI(
api_key=get_apikey()['dashscope'],
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen-vl-ocr-2025-04-13",
# model="qwen2.5-vl-72b-instruct",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
# "image_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
"image_url": f"data:image/{addr_type};base64,{base64_image_code}",
"min_pixels": 28 * 28 * 4,
"max_pixels": 1280 * 784
},
# 目前为保证识别效果，模型内部会统一使用"Read all the text in the image."作为text的值，用户输入的文本不会生效。
{"type": "text",
"text": "Read all the text in the image"},
]
}
])
res_dict = json.loads(completion.model_dump_json())
res_text = res_dict['choices'][0]['message']['content']
return {"ocr_res": res_text}
def qwen_max_repeat(content):
client = OpenAI(
api_key=get_apikey()['dashscope'],
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen-max-2025-01-25",
# model = "qwen3-235b-a22b",
messages=[
{
"role": "system",
"content": """
# 角色 #
你是一个专业的文字编辑，你需要对用户输入论文文本进行文字检查，以确保其准确。
# 任务 #
请逐句检查以下文本中的错别字、语法错误、用词不当及表达不清晰之处。
按照指定格式输出结果：原文为："XXX"，其中"XXX"可能存在问题，可考虑修改为"XXX"。
# 要求 #
只检查以下两类问题：
1、同音异形字错误
2、形近字错误
# 限制 #
1、确保每处问题独立呈现，不合并说明。
2、不检查标点符号。
3、只检测错误，不进行润色或改进。
# 输出 #
只记录有问题的句子，并严格按模板输出结果，不输入任何其他的无关内容。
"""
},
{
"role": "user",
"content": f"""
{content}
"""
}
],
max_tokens=4096,
temperature=0.01,
stream=False
)
res = json.loads(completion.model_dump_json())
return {"response": res["choices"][0]["message"]["content"]}
def main_process(base64_image_code,addr_type):
content = qwen_ocr(base64_image_code, addr_type)
out = qwen_max_repeat(content)
return out["response"]
def read_pdf2ImgLs(pdf_path) -> list:
pdf = fitz.open(pdf_path)
images_ls = []
zoom_x = 2.0
zoom_y = 2.0
for i,pg in enumerate(pdf):
mat = fitz.Matrix(zoom_x, zoom_y)
pix = pg.get_pixmap(matrix=mat)
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
images_ls.append(img)
return images_ls
def PILimage2base64(image):
buffered = io.BytesIO()
image_type = 'PNG'
image.save(buffered, format=image_type)
return base64.b64encode(buffered.getvalue()).decode(),image_type
def paper_revision(pdf_path,OUTPUT_PATH):
# 设置输出txt路径
# 设置名字命名为年月日时分
output_txt = OUTPUT_PATH
image_ls = read_pdf2ImgLs(pdf_path)
for page,image in enumerate(tqdm(image_ls, desc='Processing pages')):
base64code,addr_type = PILimage2base64(image)
repeat_response = main_process(base64code,addr_type)
result = repeat_response
cleaned_string = result.strip('"')
decoded_string = cleaned_string.replace('\\n', '\n').replace('\\\\', '\\')
with open(output_txt, 'a', encoding='utf-8') as f:
f.write(decoded_string+'\n')
f.write(f'(page:{page+1})\n')
if __name__ == '__main__':
today = time.strftime("%Y-%m-%d-%H-%M", time.localtime())
today = today.replace('-', '_')
OUTPUT_PATH = f'{today}_output.txt'
paper_revision('paper.pdf', OUTPUT_PATH)
其识别结果：
其结果为：
该工作流具有较好的泛化性，可以用于AI润色、AI翻译等。
欢迎批评交流
rton.xu@qq.com