企业官网建设流程全解析

PaddleOCR 完整上手指南：3 步跑通多语言 OCR 与文档结构化

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR

扫描件、PDF、图片里的文字，是喂给大模型前最麻烦的一环：版面乱、语言杂、表格和公式混排。PaddleOCR 是一套开源的轻量级 OCR 工具包，把文字检测、文字识别、文档结构化收敛成一条产线，把任意 PDF 或图像转成结构化数据，支持 100 种以上语言。

项目能做什么：4 类核心能力拆解

先把边界画清楚，PaddleOCR 能覆盖的能力大致分四类：

从 0 到 1：3 步跑通第一个 PaddleOCR 示例

第 1 步：装推理引擎

PaddleOCR 3.x 提供 PaddlePaddle 与 Transformers 两套推理引擎，二选一即可。这里以 CPU 端飞桨为例：

python -m pip install paddlepaddle==3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ # GPU 端改为 paddlepaddle-gpu，包名后按实际 CUDA 版本选择对应的源

这条命令装的是底层推理引擎，PaddlePaddle 3.x 是 PaddleOCR 3.x 的硬性要求；GPU 用户只需按 CUDA 版本切换安装源。

第 2 步：装 PaddleOCR 本体

python -m pip install "paddleocr[all]"

装完就能用；[all]表示带上文档解析、信息抽取、翻译等全部可选依赖，只跑通用 OCR 的话改成pip install paddleocr更轻量，各依赖组对应哪些功能见docs/version3.x/installation.md。

第 3 步：3 行代码跑通第一次识别

from paddleocr import PaddleOCR ocr = PaddleOCR( use_doc_orientation_classify=False, # 关方向分类 use_doc_unwarping=False, # 关扭曲矫正 use_textline_orientation=False, # 关行级方向分类 ) for res in ocr.predict("./general_ocr_002.png"): res.print() res.save_to_img("output") res.save_to_json("output")

这段脚本对图片做检测 + 识别，并把识别框标注图与 JSON 结果存到output目录；三个开关都是关掉文档预处理子模块，普通拍平的图片上关掉跑得更快。不想写脚本的话，命令行一行等价：paddleocr ocr -i ./general_ocr_002.png --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False。

典型场景实战：从一张名片到一整页文档

场景一：名片文字提取——最简单的结构化入口

输入一张英文名片照片，PaddleOCR 检测出每个字段所在的文本框并逐框识别，直接给出姓名、职位、邮箱、电话的结构化结果，每个字段带置信度。

左侧是原始名片，右侧是带检测框的识别结果：CRR-TECHNOLOGIES、William Ferguson、邮箱、电话全部命中，输出就是rec_texts数组加坐标，丢进数据库或 LLM 提示词都不用二次清洗。这类单行、少字段的场景是最适合验证链路是否跑通的起点。

场景二：整页英文报告结构化——复杂版面交给 PP-StructureV3

整页文档才是 PaddleOCR 的主战场：表格、公式、多栏文本、印章混排。PP-StructureV3 产线一次完成版面分析、表格结构识别与文字识别：

paddleocr pp_structurev3 -i ./pp_structure_v3_demo.png \ --use_doc_orientation_classify False --use_doc_unwarping False

跑完在输出目录得到.json与.markdown两份文件，Markdown 可直接喂给 LLM。

以这份医疗报告为例：检验项目、患者结果、参考区间三列被完整解析成表格结构，LOW等异常值标记逐行识别，下方诊断段落保持原段落顺序——右侧每一格绿框、红框都是产线定位出的版面元素。对 RAG 场景的价值在于：表格不再被拍平成乱序纯文本，LLM 读到的顺序与版面一致。注意首次运行会自动下载所需模型，预留几分钟。

进阶技巧：3 个新手高频坑与解法

坑一：PaddlePaddle 版本不匹配。现象是import paddleocr或首次 predict 时报RuntimeError/ 算子缺失；原因是环境里装着飞桨 2.x，而 PaddleOCR 3.x 依赖 3.0 及以上版本。解法：python -m pip install -U paddlepaddle==3.2.0对齐版本，版本对照见docs/version3.x/installation.md。

坑二：大图小字漏检。现象是整页扫描件上密集小字整行丢失；原因是图像长边超过 960 像素时会被等比缩小再送检测，小字被缩没了。解法：预测时把det_db_box_thresh从默认 0.5 调小到 0.3 观察召回，同时用det_limit_side_len放大参与检测的边长；调参前先拿 20 张自己业务的样图做阈值对比，别盲调。

坑三：首次运行卡在下载。现象是第一条命令半天没输出甚至超时报错；原因是每个模型首次使用都会从远端下载到本地缓存，网络不通就卡住。解法：先在能联网的环境把目标模型跑一遍生成缓存，再同步到目标机器；或者改用 Transformers 引擎，装好transformers>=5.8.0后在命令行加--engine transformers、在代码里加engine="transformers"切换，不依赖飞桨。

总结与下一步

PaddleOCR 把文字检测、文字识别、文档结构化收敛成一个包，输出直接是 LLM 能读的 Markdown 和 JSON。建议下一步：按docs/version3.x/installation.md把环境与你的设备对齐，再翻一遍docs/FAQ.md——检测漏检、模糊文本、印章干扰这类高频问题在 1.5 节"垂类场景实现思路"里都有现成解法。

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR