Google Cloud Vision API（gcsSource）是否支持检测PDF内带文字的图片？

原生能力支持说明 #

首先明确：Google Cloud Vision API的TEXT_DETECTION、DOCUMENT_TEXT_DETECTION接口原生不支持识别PDF文件内的内嵌图片文字。
当输入配置InputConfig的mimeType设置为application/pdf时，API只会提取PDF自带的可编辑文本层内容，页面中嵌入的栅格图片不会被单独解析，因此会出现图片直接被跳过的情况，这是该接口的原生设计限制。

可行处理方案 #

• 方案1：提取PDF内嵌图片后单独识别
  可先使用pdfplumber、PyMuPDF等PDF处理工具，批量导出PDF每页中的所有内嵌图片，将导出的PNG/JPG格式图片存储到GCS路径后，单独调用Vision API的OCR接口识别图片文字，后续可将识别结果和原PDF文本层的识别结果按页码、位置合并即可。
• 方案2：PDF全页转栅格图后统一识别
  如果不需要区分PDF原生文本和图片内文本，可使用pdf2image、Poppler等工具将PDF每一页整体渲染为300DPI以上的高分辨率图片，再将整页图片作为输入调用Vision API的OCR能力，即可一次性识别页面内所有文字，同时保留原页面的排版位置对应关系。
• 方案3：切换使用Google Cloud Document AI通用OCR处理器
  如需端到端直接处理PDF含内嵌图片的场景，可替换原有Vision API的调用逻辑，改用Google Cloud Document AI的通用文档OCR处理器，该处理器原生支持解析PDF内的内嵌图片文字，输入配置和原有Vision API的PDF处理逻辑完全兼容，仅需调整调用的接口端点即可。

以下是Python调用Document AI处理PDF的示例代码片段：

from google.cloud import documentai_v1 as documentai

# 初始化客户端
client = documentai.DocumentProcessorServiceClient()
# 替换为你的项目、区域、处理器ID
processor_path = client.processor_path("your_project_id", "us", "your_processor_id")

# 配置GCS源
gcs_source = documentai.GcsSource(uri="gs://your_bucket_name/your_file.pdf")
input_config = documentai.ProcessRequest.GcsDocument(
    gcs_source=gcs_source,
    mime_type="application/pdf"
)

# 发起请求（10页以上PDF建议使用异步批量处理接口）
request = documentai.ProcessRequest(
    name=processor_path,
    gcs_document=input_config
)
response = client.process_document(request=request)

# 读取识别结果
for page in response.document.pages:
    print(f"第{page.page_number}页识别内容：{page.layout.text}")

内容的提问来源于stack exchange，提问作者user3779846