PaddleOCR入门

PaddleOCR 是由百度 PaddlePaddle（飞桨）团队开源的领先 OCR（光学字符识别） 工具包，被誉为业界高性能、轻量级的文字识别与文档智能解决方案。

它不仅能将图片或 PDF 中的文字提取出来，还能进行复杂的文档结构化解析，输出适合 AI 应用（如 RAG、LLM）的 JSON、Markdown 等结构化数据，已成为许多开发者处理文档数字化、智能办公、知识提取等场景的首选工具。

主要特点

• 高精度与高效：支持超轻量级模型（早期中文模型仅 8.6MB），兼顾准确率和推理速度。最新版本在真实场景（扫描、倾斜、弯曲、屏摄、复杂光照等）下表现突出，许多基准测试中达到 SOTA（State-of-the-Art）水平。

• 多语言支持：覆盖 100+ 语言（包括简中、繁中、英文、日文、韩文，以及阿拉伯语、印地语、泰语等），还支持手写体、印刷体、竖排文字、古籍等复杂情况。

• 全流程能力：从文本检测、方向分类、识别，到版面分析、表格/公式/图表识别、印章识别、阅读顺序还原，一站式完成。

• 文档解析强项：最新 PaddleOCR-VL（基于 0.9B 参数的紧凑视觉语言模型 VLM）在处理复杂文档时特别出色，能精准解析表格、数学公式、图表，并保留排版结构。

• 工程友好：支持服务器、移动端、边缘设备部署；提供 Python API、命令行工具、模型量化压缩；兼容 CPU/GPU，甚至支持国产加速器（如昆仑芯、昇腾）。

• 生态集成：GitHub 星标超过 6 万（部分数据提及 60k+ 或更高），已被 MinerU、RAGFlow 等知名项目深度集成。

核心模型与版本亮点（截至 2026 年初）

• PP-OCRv5：通用场景文字识别，单模型支持简/繁中、英文、日文、拼音等多种文字类型，精度较前代提升约 13 个百分点，特别适合多语言混合文档。

• PaddleOCR-VL / VL-1.5（0.9B 参数）：面向真实场景的文档解析 SOTA 模型，支持 109~111 种语言，强化文本定位、复杂元素（表格、公式、图表）识别、新增印章识别等能力，资源消耗低，可在普通硬件上高效运行。

• PP-StructureV3：复杂文档解析方案，能高精度处理多版式、多场景的 PDF/图片，转为结构化输出。

• PP-ChatOCRv4 等：结合大模型（如 ERNIE 4.5），进一步提升关键信息提取准确率。

这些模型不断迭代，2025 年以来重点加强了文档理解和多模态能力。

应用场景

• 办公自动化：发票、合同、身份证、收据等证件/票据识别。

• 文档数字化：PDF/扫描件转可编辑文本、Markdown 或结构化数据，用于知识库构建、RAG 系统。

• 教育/科研：数学试卷、论文公式、手写笔记解析。

• 其他：车牌、路牌、产品标签、智慧交通、博物馆古籍等场景文字提取。

如何使用

1. 安装：通过 pip 安装 paddleocr 包（需先安装 PaddlePaddle 框架）。

2. 快速体验：GitHub 上提供丰富示例，支持一行代码进行预测。

3. 在线试用：可访问 PaddleOCR 官网（www.paddleocr.com）进行在线体验、API 调用或 MCP 服务（适合不想本地部署的用户）。

4. 本地部署：支持模型导出、量化、Serving 服务化部署，文档详尽（包括训练、微调指南）。

官方资源：

• GitHub 主仓库：https://github.com/PaddlePaddle/PaddleOCR （推荐直接查看 README 获取最新信息）

• 官方文档：https://paddlepaddle.github.io/PaddleOCR/

• AI Studio 在线平台：https://aistudio.baidu.com/paddleocr

[image-20260329110952328](tcmz05ykc.hd-bkt.clouddn.com/test/image-20260329110952328.png)

机械工程图纸（预绞式防振锤组件装配图，国网110/220kV通用设计）内容丰富，包含装配图、零件明细表（BOM表）、技术要求、图号/修订信息、印章等典型工程图纸元素。

PaddleOCR 非常适合处理这类工程图纸，尤其是最新版本的 PaddleOCR-VL（或 PP-StructureV3 + PaddleOCR-VL-1.5）在复杂文档、表格、公式（这里主要是尺寸标注和技术参数）和多语言（纯中文）场景下表现突出，能实现高精度文字提取 + 结构化解析（输出 Markdown / JSON / HTML 表格等）。

推荐使用方案（优先级从高到低）

1. 最佳方案：PaddleOCR-VL（推荐）

   • 模型：PaddleOCR-VL-0.9B / VL-1.5（0.9B 参数紧凑 VLM）

   • 优势：端到端文档理解，一次性识别文本 + 表格结构 + 版面布局，支持表格自动转 HTML/Markdown，适合工程图纸的 BOM 表和技术要求列表。

   • 特别适合：复杂版面（图纸中有多个视图、标注、表格混合）、倾斜文字、密集标注。

   • 输出：高质量 Markdown（保留排版）、结构化 JSON（便于后续 RAG 或数据库入库）。

2. 传统流水线方案：PP-StructureV3 + 表格识别产线

   • 先用版面分析（PP-DocLayout）定位区域（表格、文本、图片）。

   • 再用 SLANet / SLANeXt 表格结构识别模型处理零件明细表。

   • 最后用 PP-OCRv5 识别文字。

   • 适合需要精细控制每个模块的场景。

3. 简单快速：标准 PaddleOCR + 表格模式

   • from paddleocr import PPStructure 或直接用 PaddleOCR(use_angle_cls=True, lang="ch") + 表格参数。

实际识别效果预期（基于这张图的特点）

• 零件明细表（红色框内）：表格识别能力强，能输出接近原结构的 HTML 表格或 Markdown 表格。列包括：序号、代号、名称、数量、材料、单件重量、总计重量、备注等。

• 技术要求（右侧列表）：能识别为有序列表或段落，保留编号 1~12。

• 装配图标注（尺寸 171、322、53、860 等，A型/B型、预绞丝等）：文字检测 + 识别准确率高，但纯 OCR 可能丢失空间关系；VLM 版本能更好理解上下文。

• 标题、图号、日期、印章（如“量产 2026 年 1 月 8 日”、“受控”、“浙江泰昌实业有限公司”）：能精准提取，包括手写签名/印章区域。

• 挑战点：密集的引线标注、箭头、小字号文字、图纸线框干扰。最新 VL 模型对这些有明显优化。

https://grok.com/share/bGVnYWN5_65d7d659-6d74-4da7-8aa3-53e81e0a00b1