在我們開始實作 RAG 系統之前，首先要先安裝好相關套件，尤其是我們的第一步是處理 知識文件的任務，許多PDF處理工具需要用到OCR相關技術，會有一些比較特別的步驟要先準備。

🔧 必要套件安裝

筆者提供目前使用到之套件與相關版本：

# PDF處理核心套件
pymupdf==1.25.5
img2table==1.4.1
pytesseract==0.3.13
pillow==11.2.1
opencv-contrib-python==4.11.0.86

# 數據處理
numpy==1.26.4
pandas==2.2.3

# 向量化
torch==2.6.0
transformers==4.51.3
sentence-transformers==4.1.0
flagembedding==1.3.4
huggingface-hub==0.31.1

# LangChain
langchain-community==0.3.23
langchain-core==0.3.59
langchain-huggingface==0.2.0

# 向量資料庫
qdrant-client==1.14.3
chromadb==1.1.0

# 其他必要工具
python-dotenv==1.1.0
pydantic==2.11.4
tqdm==4.67.1

# UI
streamlit==1.28.1

🈶 Tesseract OCR 與中文支援

若 PDF 是掃描影像或內含影像表格，需要用 OCR 才能擷取文字。Tesseract 是常見的免費 OCR 引擎，但必須注意語言包（traineddata）的安裝，預設是只有英文，要處理繁中是一定要自己處理的。

1. 安裝 Tesseract（系統層）

• macOS (Homebrew)

  brew install tesseract
  

• Ubuntu / Debian

  sudo apt-get update
  sudo apt-get install tesseract-ocr
  

• Windows
  請從 Tesseract 官方 repo 或 release 下載安裝檔，並記得把安裝目錄加入系統 PATH（例如 C:\Program Files\Tesseract-OCR）。

2. 安裝繁體中文語言包（chi_tra）

繁體中文 chi_tra.traineddata 需額外下載並放到 tessdata 資料夾。

• 下載位置（官方 repo）：
  https://github.com/tesseract-ocr/tessdata

• 把 chi_tra.traineddata 放到 Tesseract 的 tessdata 資料夾，例如：

  • macOS / Linux 常見路徑： /usr/share/tesseract-ocr/4.00/tessdata/ 或 /usr/share/tessdata/
  • Windows 常見路徑： C:\Program Files\Tesseract-OCR\tessdata\

完成後，可以用下列指令確認已安裝的語言列表：

tesseract --list-langs

如果你想在 Python 裡確認

import pytesseract
print(pytesseract.get_languages(config=''))

⚠️ 常見問題與注意事項

• 找不到 chi_tra：通常是 tessdata 沒放對位置或沒有權限，請確認 tesseract --list-langs 能看到 chi_tra。
• Windows PATH / TESSDATA_PREFIX：若 Windows 找不到 tessdata，請設定 TESSDATA_PREFIX 環境變數或把 tessdata 資料夾放在安裝路徑下。
• OCR 與內嵌文字混用：若 PDF 同時有內嵌文字（可被 PyMuPDF 擷取）與影像文字，應優先使用內嵌文字（準確度高），只對必要的頁面/區塊做 OCR。

筆者經驗上處理好這段就沒什麼太大的問題，感謝tesseract這個佛心套件。

📌 小結與下一步

今天要完成的前置工作：

1. 在系統上安裝好 Tesseract 並確認 chi_tra 已安裝。
2. 在 Python 環境安裝 PyMuPDF、img2table、pandas、pytesseract、pdf2image。
3. 檢查 tesseract --list-langs 可以看到 eng 與 chi_tra。

下一篇我們會把這些工具實際串起來：逐頁檢測表格 → 過濾表格文字 → 儲存純文字與表格（結構化），並把結果整理成適合存入向量資料庫（Chroma）的 documents 格式，然後就快速用ChromaDB+OpenAI+Streamlit來完成簡單的POC吧!