一、OCR技术概述
OCR（Optical Character Recognition，光学字符识别）是指通过扫描和图像处理技术，将纸质文档或图片中的文字信息转换为计算机可编辑文本的技术。OCR技术的核心在于让计算机"看懂"图像中的文字，并将其转化为标准编码（如UTF-8、ASCII等）存储的文本数据。这项技术经历了从传统图像处理+模式识别到深度学习端到端识别的演进过程，目前已广泛应用于文档数字化、发票报销、身份证认证、车牌识别、书籍电子化等众多领域。
在Python生态中，主流的OCR引擎主要有三类。第一是开源的Tesseract OCR引擎，由HP实验室开发后交由Google维护，支持100多种语言，社区活跃度高，适合通用场景下的文档文字识别。第二是百度开源的PaddleOCR，基于深度学习框架PaddlePaddle，提供高精度的中文识别能力，同时支持表格识别、版面分析、公式识别等高级功能，在中文场景下表现优异。第三是EasyOCR，基于PyTorch的轻量级OCR库，安装简单开箱即用，适合快速原型开发。下表对比了三者的核心差异：
| 特性 | Tesseract | PaddleOCR | EasyOCR |
|---|
| 底层框架 | C++传统算法 | PaddlePaddle | PyTorch |
| 中文识别 | 中等（需chi_sim语言包） | 优秀（内置中文模型） | 良好（需下载中文模型） |
| 识别速度 | 快（CPU即可） | 中等（推荐GPU） | 中等（推荐GPU） |
| 安装难度 | 中等（需安装系统引擎） | 较高（依赖Paddle框架） | 简单（pip一键安装） |
| 版面分析 | 有限 | 优秀 | 不支持 |
| 适用场景 | 通用文档、英文为主 | 中文文档、复杂版面 | 小规模快速验证 |
实际项目中的选型建议：如果主要处理英文或清晰印刷体文档，Tesseract+Python方案以极低的成本和良好的性能成为首选；如果需求聚焦中文识别、复杂表格或扫描质量不佳的文档，应优先选择PaddleOCR；如果只需要快速验证OCR效果且对精度要求不高，EasyOCR可以快速上手。在实际企业级应用中，往往是多引擎组合使用的策略——先使用PaddleOCR进行版面分析和文字检测，再结合Tesseract对特定区域进行精确识别，最后用规则引擎做后处理纠错，这种组合方案能够兼顾精度和速度。
二、Tesseract环境搭建
Tesseract OCR引擎是当前最成熟的开源OCR解决方案之一。虽然Python库pytesseract提供了调用接口，但底层仍依赖C++编译的Tesseract引擎本体，因此环境搭建需要分别完成系统级引擎安装和Python库安装两步。正确配置Tesseract环境是整个OCR流程的基础，配置不当会导致中文识别乱码或引擎无法启动等问题。
2.1 Tesseract引擎安装与配置
在Windows系统中，首先需要从GitHub的UB-Mannheim/tesseract仓库下载官方安装包。建议选择稳定版本（如5.x系列），安装时务必勾选"简体中文"语言包（chi_sim）。安装完成后，需要将Tesseract的安装目录（默认在C:\Program Files\Tesseract-OCR）添加到系统PATH环境变量中，同时将tessdata目录（包含语言训练数据）添加到TESSDATA_PREFIX环境变量。验证安装是否成功可以通过命令行执行tesseract --list-langs命令查看已安装的语言列表。
# 验证Tesseract引擎安装（命令行执行）
tesseract --version
# 输出示例：tesseract 5.3.3
tesseract --list-langs
# 输出示例：eng, chi_sim, chi_tra
# 验证python接口
python -c "import pytesseract; print(pytesseract.get_tesseract_version())"
2.2 Python依赖安装
Python端需要安装pytesseract作为Tesseract引擎的桥接库，同时配合Pillow库处理图像。在中文OCR场景中，建议提前下载中文语言包（chi_sim.traineddata）并放置到tessdata目录下。如果遇到路径问题，可以在代码中显式指定Tesseract可执行文件路径。
# 安装核心依赖
pip install pytesseract Pillow
# 可选依赖（用于图像预处理）
pip install opencv-python numpy matplotlib
# 如果Tesseract不在PATH中，需在代码中指定路径
import pytesseract
# Windows环境下指定Tesseract可执行文件路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
2.3 快速验证测试
完成环境搭建后，可以用一张简单的图片测试整个OCR流程是否正常工作。使用Pillow读取图片，调用pytesseract的image_to_string方法即可完成识别。需要注意编码问题，Tesseract返回的字符串默认是UTF-8编码，在Windows控制台输出时可能需要调整终端编码。
from PIL import Image
import pytesseract
# 指定Tesseract可执行文件路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
# 打开图像文件
image = Image.open('test_image.png')
# 执行OCR识别（指定中文语言）
text = pytesseract.image_to_string(image, lang='chi_sim+eng')
print('识别结果：')
print(text)
三、图像预处理
图像预处理是OCR流程中最关键的一环，直接影响识别准确率。扫描件和拍照文档往往存在光照不均、倾斜、噪点、模糊等各种问题，直接输入OCR引擎很难获得理想结果。经过良好预处理的图像相比原始图像，识别准确率可以从60%-70%提升到95%以上。预处理的目标是去除干扰信息、增强文字特征、统一图像格式，使OCR引擎能够专注于文字本身的识别。本节详细介绍常用的预处理技术及其Python实现。
3.1 灰度化与二值化
色彩信息对文字识别通常没有帮助，因此需要将彩色图像转换为灰度图再进一步转为黑白二值图。灰度化使用cv2.cvtColor将BGR彩色图像转为单通道灰度图。二值化则通过阈值将灰度图转为纯黑白的二值图像，常用的方法有全局阈值（cv2.threshold）和自适应阈值（cv2.adaptiveThreshold）。全局阈值适合背景均匀的文档，自适应阈值则能处理光照不均的情况。OTSU算法能够自动选择最佳全局阈值，是对大多数文档都能取得良好效果的默认选择。
import cv2
import numpy as np
def preprocess_image(image_path):
# 读取彩色图像
img = cv2.imread(image_path)
# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 方法1：OTSU自动阈值二值化
_, binary_otsu = cv2.threshold(gray, 0, 255,
cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 方法2：自适应阈值（适合光照不均）
binary_adaptive = cv2.adaptiveThreshold(
gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, blockSize=11, C=2
)
return gray, binary_otsu, binary_adaptive
3.2 降噪处理
扫描件中的噪点会导致OCR引擎误识别或漏识别。常见的降噪方法包括高斯滤波、中值滤波和双边滤波。高斯滤波（GaussianBlur）适合去除高斯噪声，能平滑图像但会模糊边缘；中值滤波（medianBlur）对椒盐噪声效果极佳，且能较好保持边缘；双边滤波（bilateralFilter）在降噪的同时能保留边缘细节，但对参数敏感且计算量大。实际应用中，先使用小核中值滤波对扫描文档进行处理，通常能在保持文字清晰度的前提下有效去除孤立噪点。
import cv2
import numpy as np
def denoise_image(binary_img):
# 中值滤波降噪（核大小3x3，适合文字图像）
denoised_median = cv2.medianBlur(binary_img, 3)
# 高斯滤波（推荐用于轻度噪声扫描件）
denoised_gaussian = cv2.GaussianBlur(binary_img, (3, 3), 0)
# 形态学操作：去除孤立噪点（开运算）
kernel = np.ones((2, 2), np.uint8)
denoised_morph = cv2.morphologyEx(
binary_img, cv2.MORPH_OPEN, kernel
)
return denoised_morph
3.3 倾斜校正
拍照或扫描时文档难免出现倾斜，如果不加校正，OCR引擎可能无法正确检测文字行。倾斜校正的核心是通过霍夫变换（Hough Transform）检测图像中的直线，计算平均倾斜角度后进行旋转校正。对于纯文本文档，还可以使用投影法：分别计算水平方向和垂直方向的像素投影，找到投影值最大的角度即为文字方向。霍夫变换法对图文混排的文档效果更好，投影法则对纯文本且行间距均匀的文档更稳定。
import cv2
import numpy as np
def correct_skew(image):
"""基于霍夫变换检测倾斜角度并校正"""
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize=3)
# 霍夫线变换检测直线
lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
if lines is None:
return image
# 计算平均角度
angles = []
for rho, theta in lines[:, 0]:
angle = theta * 180 / np.pi - 90
angles.append(angle)
median_angle = np.median(angles)
# 旋转校正
h, w = image.shape[:2]
center = (w // 2, h // 2)
rotation_matrix = cv2.getRotationMatrix2D(
center, median_angle, 1.0
)
rotated = cv2.warpAffine(
image, rotation_matrix, (w, h),
flags=cv2.INTER_CUBIC,
borderMode=cv2.BORDER_REPLICATE
)
return rotated
3.4 综合预处理流程
在实际应用中，上述预处理步骤需要组合成完整的流水线。推荐的预处理顺序为：彩色图像→灰度化→降噪→二值化→倾斜校正→去除边框→缩放统一尺寸。每个步骤的参数需要根据实际的扫描质量进行调整。以下是一个完整的预处理函数，包含了去边框、调整对比度和统一尺寸等实用操作。
def full_preprocess(image_path, target_dpi=300):
"""完整的图像预处理流水线"""
img = cv2.imread(image_path)
# 1. 调整尺寸到目标DPI
h, w = img.shape[:2]
scale = target_dpi / 72 # 假设原始DPI为72
new_w, new_h = int(w * scale), int(h * scale)
img = cv2.resize(img, (new_w, new_h),
interpolation=cv2.INTER_CUBIC)
# 2. 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 3. 高斯降噪
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
# 4. OTSU二值化
_, binary = cv2.threshold(blurred, 0, 255,
cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 5. 形态学开运算去除小噪点
kernel = np.ones((2, 2), np.uint8)
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
# 6. 膨胀操作增强文字（可选）
# cleaned = cv2.dilate(cleaned, kernel, iterations=1)
return cleaned
四、pytesseract使用
pytesseract是Python与Tesseract OCR引擎之间的官方桥接库，提供了简洁的Python API来调用Tesseract的全部功能。除了基本的image_to_string方法外，pytesseract还提供了多种输出模式以满足不同的解析需求。掌握这些API的用法和配置参数，能够明显提升OCR识别的准确率和可用性。
4.1 核心API详解
pytesseract最常用的四个函数各有不同的输出格式。image_to_string返回纯文本字符串，适合直接提取全文；image_to_data返回包含每个字符或单词的详细位置、置信度等信息的字典，适合结构化解析；image_to_boxes返回每个字符的边界框坐标，适合文字检测可视化；image_to_osd返回页面方向检测结果，用于自动判断文字方向。在多栏排版文档中，image_to_data配合位置信息可以实现按阅读顺序重新组织文本，避免各栏文字互相混杂。
from PIL import Image
import pytesseract
# 指定Tesseract路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
img = Image.open('document.png')
# 1. 纯文本输出
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
print('全文识别：', text[:200])
# 2. 数据级输出（包含位置、置信度、文本）
data = pytesseract.image_to_data(img, lang='chi_sim+eng',
output_type=pytesseract.Output.DICT)
print('检测到的文本块数：', len(data['text']))
for i, text in enumerate(data['text']):
if text.strip():
conf = data['conf'][i]
x, y, w, h = (data['left'][i], data['top'][i],
data['width'][i], data['height'][i])
print(f'[{x},{y},{w},{h}] conf={conf}: {text}')
# 3. 边界框输出（每个字符级别）
boxes = pytesseract.image_to_boxes(img, lang='eng')
print(boxes[:500]) # 打印前500个字符的边界框信息
4.2 PSM页面分割模式
Tesseract提供了多种PSM（Page Segmentation Mode）来控制页面分割方式，这是优化识别效果的重要参数。PSM 3（全自动页面分割，无OSD）是默认模式，适用于大多数常规文档；PSM 6（假设为统一的文本块）适合单栏文本；PSM 7（将图像视为单行文本）适合识别验证码或单行文字；PSM 11（稀疏文本，不受特定顺序限制）适合文字散乱分布的场景。选择合适的PSM模式可以将识别准确率提升10%-30%。
from PIL import Image
import pytesseract
img = Image.open('receipt.jpg')
# PSM 6: 假设为统一的文本块——适合单栏文档
custom_config = r'--psm 6 -c preserve_interword_spaces=1'
text1 = pytesseract.image_to_string(img, lang='chi_sim+eng',
config=custom_config)
# PSM 4: 假设为单列可变大小文本——适合多栏报纸排版
custom_config = r'--psm 4'
text2 = pytesseract.image_to_string(img, lang='chi_sim+eng',
config=custom_config)
# PSM 11: 稀疏文本——适合文字稀疏分布的场景
custom_config = r'--psm 11'
text3 = pytesseract.image_to_string(img, lang='chi_sim+eng',
config=custom_config)
print('PSM 6结果：', text1[:100])
print('PSM 4结果：', text2[:100])
4.3 OEM引擎模式与自定义配置
Tesseract 5.x支持OEM（OCR Engine Mode）参数，用于选择底层识别引擎的组合方式。OEM 0仅使用传统LSTM引擎，适合成熟稳定的场景；OEM 1同时使用LSTM和传统引擎并整合结果，识别率最高但速度较慢；OEM 2仅使用传统引擎，速度最快但准确率低；OEM 3由系统自动选择默认引擎。通过自定义配置参数，还可以控制字典使用、字符白名单/黑名单、语言权重等高级行为。
from PIL import Image
import pytesseract
img = Image.open('invoice.jpg')
# 仅使用LSTM引擎（OEM 0）
config_lstm = r'--oem 0 --psm 6'
text_lstm = pytesseract.image_to_string(img, lang='chi_sim',
config=config_lstm)
# 配置白名单：只识别数字和字母
config_digits = r'--psm 7 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
text_digits = pytesseract.image_to_string(img, lang='eng',
config=config_digits)
# 配置多项参数优化
config_optimized = (
r'--oem 1 --psm 6 '
r'-c tessedit_do_invert=0 ' # 不自动反转图像
r'-c preserve_interword_spaces=1 ' # 保留单词间距
r'-c textord_heavy_nr=1 ' # 加强行检测
r'-c tessedit_enable_dict_correction=1' # 启用词典纠错
)
text_opt = pytesseract.image_to_string(img, lang='chi_sim+eng',
config=config_optimized)
print('优化配置识别结果：', text_opt)
五、中文OCR优化
中文OCR识别相比英文有额外的挑战：汉字字符集庞大（常用汉字超过6000个）、字符形状复杂、字体多样。Tesseract默认的中文模型虽然可以完成基础识别，但要达到满意的准确率，需要针对中文特点进行多方面的优化。优化措施涵盖语言配置、字典定制、预处理适配和模型微调等多个层面。
5.1 中文识别的基础配置
中文识别的基础是确保正确加载中文语言包，并通过合理的参数配置适配中文文档特征。在Tesseract中，通过lang参数指定chi_sim（简体中文）或chi_tra（繁体中文）语言包，支持多语言组合使用如lang='chi_sim+eng'。中文文档通常使用较紧凑的行间距，需要调节textord相关参数来优化行检测。针对中文特有的全角符号和标点，建议在预处理阶段统一转换为半角形式，以提高匹配字典的概率。
from PIL import Image
import pytesseract
img = Image.open('chinese_doc.png')
# 基础中文配置
config_zh = (
r'--oem 1 --psm 6 '
r'-c tessedit_do_invert=0 '
r'-c textord_heavy_nr=1 '
r'-c textord_min_linesize=2.5 ' # 最小行高
r'-c textord_excess_blobsize=1.5 ' # 杂散点阈值
r'-c paragraph_text_based=true' # 基于文本的段落检测
)
text = pytesseract.image_to_string(
img, lang='chi_sim+eng', config=config_zh
)
print('中文识别结果：')
print(text)
5.2 白名单与黑名单
在特定场景下，通过限制字符集可以大幅提升识别准确率。例如识别身份证号时只允许数字和X字母，识别金额时只允许数字和小数点。使用tessedit_char_whitelist参数指定白名单后，Tesseract只会从指定字符集中选择最可能的匹配，避免了将数字'0'误识别为字母'O'或将'1'误识别为'l'的问题。与之对应，tessedit_char_blacklist可以排除容易引起混淆的字符，如排除中文标点以避免与数字混淆。
def ocr_id_card_number(image_path):
"""识别身份证号码（只允许数字和X）"""
img = Image.open(image_path)
config = (
r'--psm 7 '
r'-c tessedit_char_whitelist=0123456789X'
)
text = pytesseract.image_to_string(
img, lang='eng', config=config
)
return text.strip()
def ocr_money_amount(image_path):
"""识别金额（只允许数字和小数点）"""
img = Image.open(image_path)
config = (
r'--psm 7 '
r'-c tessedit_char_whitelist=0123456789.'
)
text = pytesseract.image_to_string(
img, lang='eng', config=config
)
return text.strip()
# 使用示例
id_number = ocr_id_card_number('id_card_region.png')
amount = ocr_money_amount('invoice_amount.png')
print(f'身份证号：{id_number}')
print(f'金额：{amount}')
5.3 自定义词典与训练新语言
对于专业领域文档（如医学报告、法律文书、化学文献），通用词典无法覆盖专业术语，需要创建自定义用户词典。Tesseract支持通过user-words参数加载用户自定义词汇列表，并将这些词作为优先候选词。如果现有模型完全不满足需求，还可以使用Tesseract的训练工具JTessBoxEditor，以现有模型为基础，标注专业领域样本后微调训练，生成定制语言模型。微调训练虽然需要一定的标注工作量，但在特定领域的识别率提升非常显著，通常可以从60%提升到90%以上。
# 创建用户词典文件 user_words.txt，每行一个词：
# 吡咯烷酮
# 乙酰半胱氨酸
# 药代动力学
# 在OCR时加载自定义词典
def ocr_with_custom_dict(image_path, dict_path):
img = Image.open(image_path)
config = (
r'--oem 1 --psm 6 '
rf'--user-words "{dict_path}" '
r'-c tessedit_enable_dict_correction=1'
)
text = pytesseract.image_to_string(
img, lang='chi_sim', config=config
)
return text
# 使用领域专属词典优化识别
text = ocr_with_custom_dict('medical_report.png', 'user_words.txt')
print(text)
优化要点：中文OCR优化的核心策略可以总结为四点——①预处理阶段加大图像分辨率（300DPI以上），确保中文字符笔画清晰；②使用PSM 6（统一文本块）配合自适应阈值二值化；③针对专业领域创建自定义词典，提高专业术语的识别率；④合理使用白名单缩小字符搜索空间，减少误识别。
六、PDF OCR
PDF文档分为两类：文本型PDF（内容可直接提取文字）和扫描型PDF（页面为图片格式）。扫描型PDF本质上是图片集合，必须通过OCR技术才能提取其中的文字内容。在企业办公中，大量历史文档、合同、票据都是以扫描PDF的形式存储，高效批量处理这些PDF是实现文档数字化的关键环节。
6.1 PDF转图像
处理PDF OCR的第一步是将PDF页面转换为图像。pdf2image库封装了poppler工具链，可以高效地将PDF各页面转为PIL Image对象。通过指定dpi参数控制输出图像的分辨率（通常300dpi即可满足OCR需求），使用fmt参数选择输出格式（'png'或'jpeg'）。需要注意的是，pdf2image依赖于系统安装的poppler-utils，在Windows环境中需要手动下载并将bin目录添加到PATH环境变量。
from pdf2image import convert_from_path
import pytesseract
import os
# 将PDF转换为图像列表
def pdf_to_images(pdf_path, dpi=300):
images = convert_from_path(
pdf_path,
dpi=dpi,
fmt='png',
thread_count=4, # 多线程加速
grayscale=True # 直接输出灰度图
)
print(f'PDF共 {len(images)} 页')
return images
# 识别PDF中某一页
def ocr_pdf_page(pdf_path, page_num=0):
images = convert_from_path(pdf_path, dpi=300, first_page=page_num+1, last_page=page_num+1)
img = images[0]
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
return text
# 使用示例
text = ocr_pdf_page('scanned_doc.pdf', page_num=0)
print('第一页识别结果：')
print(text[:500])
6.2 批量PDF OCR
批量处理PDF文件是企业级OCR的常见需求。一个完整的批量处理流水线应当包括：遍历目录中的PDF文件、逐页OCR识别、合并识别结果、保存为可搜索PDF或纯文本文档。为了提高处理效率，可以使用多进程或线程池并行处理多个PDF文件。对于大量文档，建议先对PDF进行压缩和预处理，降低图像分辨率到300dpi，以平衡处理速度和识别准确率。
import os
from pdf2image import convert_from_path
import pytesseract
from concurrent.futures import ProcessPoolExecutor, as_completed
def ocr_single_pdf(pdf_path):
"""对单个PDF文件执行OCR"""
try:
images = convert_from_path(pdf_path, dpi=300)
full_text = []
for i, img in enumerate(images):
text = pytesseract.image_to_string(
img, lang='chi_sim+eng',
config='--oem 1 --psm 6'
)
full_text.append(f'--- 第{i+1}页 ---\n{text}')
return pdf_path, '\n'.join(full_text)
except Exception as e:
return pdf_path, f'ERROR: {str(e)}'
def batch_ocr_pdfs(pdf_dir, output_dir):
"""批量OCR PDF文件"""
os.makedirs(output_dir, exist_ok=True)
pdf_files = [f for f in os.listdir(pdf_dir) if f.endswith('.pdf')]
with ProcessPoolExecutor(max_workers=4) as executor:
futures = {
executor.submit(ocr_single_pdf, os.path.join(pdf_dir, f)): f
for f in pdf_files
}
for future in as_completed(futures):
pdf_path, text = future.result()
# 保存识别结果
out_name = os.path.basename(pdf_path).replace('.pdf', '.txt')
out_path = os.path.join(output_dir, out_name)
with open(out_path, 'w', encoding='utf-8') as f:
f.write(text)
print(f'完成: {pdf_path} -> {out_path}')
# batch_ocr_pdfs('contracts/', 'ocr_results/')
6.3 保持布局与生成可搜索PDF
常规OCR输出会丢失原始PDF的版面布局信息（如分栏、表格、缩进等），这在处理排版复杂的文档时会造成信息丢失。通过结合OCR检测到的文字位置信息，可以重建文档的版面结构。更进一步，可以使用img2pdf或reportlab库将OCR结果嵌入到原始PDF图像的底层，生成可搜索PDF（Searchable PDF/PDF/A），实现"既保留原始扫描图像外观，又能选择、搜索和复制文字"的效果。这对于档案数字化的场景尤为重要。
import PyPDF2
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
import io
from PIL import Image
import pytesseract
def create_searchable_page(image, text_blocks):
"""
创建可搜索PDF页面
text_blocks: [(x, y, text), ...] 文字块及其位置
"""
packet = io.BytesIO()
c = canvas.Canvas(packet, pagesize=A4)
for x, y, text in text_blocks:
# 在对应位置写入透明文字
c.saveState()
c.setFillColorRGB(0, 0, 0, 0) # 透明文字
c.setFont('SimSun', 12)
c.drawString(x, y, text)
c.restoreState()
c.save()
return packet
def image_to_searchable_pdf(image_path, output_pdf):
"""将扫描图像转换为可搜索PDF"""
from pdf2image import convert_from_path
from PIL import Image
# 读取图像并OCR
img = Image.open(image_path)
# 获取文字位置信息
data = pytesseract.image_to_data(
img, lang='chi_sim+eng',
output_type=pytesseract.Output.DICT
)
# 提取位置和文本
text_blocks = []
for i, text in enumerate(data['text']):
if text.strip():
x = data['left'][i]
y = data['top'][i]
text_blocks.append((x, y, text))
# 生成可搜索PDF
packet = create_searchable_page(img, text_blocks)
print(f'已生成可搜索PDF: {output_pdf}')
# image_to_searchable_pdf('scanned_page.png', 'searchable_output.pdf')
七、PaddleOCR
PaddleOCR是百度基于PaddlePaddle深度学习框架开发的OCR工具库，在中文识别领域代表了当前开源方案的最高水平。它采用业界领先的PP-OCR系列模型，集成文字检测、方向分类和文字识别三个独立模块，形成端到端的识别流水线。PaddleOCR在多个中英文公开数据集上达到了SOTA水平，特别适合对中文识别精度要求较高的企业级应用场景。
7.1 PaddleOCR安装与基础使用
安装PaddleOCR需要先安装PaddlePaddle框架，推荐使用GPU版本以获得更好的性能。PaddleOCR提供了简洁的API接口，只需几行代码即可完成从图像到文字的完整识别流程。默认情况下会自动下载轻量级中文模型（检测+分类+识别），识别结果包含文本框位置、文字内容和置信度信息。
# 安装PaddlePaddle（GPU版本）
# pip install paddlepaddle-gpu
# 安装PaddleOCR
# pip install paddleocr
from paddleocr import PaddleOCR
# 初始化OCR引擎（自动下载模型）
ocr = PaddleOCR(
use_angle_cls=True, # 启用文字方向分类
lang='ch', # 中文
use_gpu=False # 无GPU时设为False
)
# 执行OCR识别
result = ocr.ocr('invoice.jpg', cls=True)
# 解析识别结果
for line in result:
for item in line:
# item: [[x1,y1],[x2,y2],[x3,y3],[x4,y4]], (text, confidence)
box = item[0] # 文本框四个角坐标
text = item[1][0] # 识别文本
confidence = item[1][1] # 置信度
if confidence > 0.8: # 过滤低置信度结果
print(f'[{confidence:.2f}] {text}')
7.2 模型选择与精度优化
PaddleOCR提供多组预训练模型，根据速度和精度要求可以进行灵活选择。轻量级模型（mobile版）体积小、速度快，适合CPU环境部署；高精度模型（server版）参数量大、识别准确率更高，适合对精度要求严苛的GPU服务器场景。通过合理设置det_db_thresh（检测阈值）、rec_batch_num（批量识别数）等参数，可以在不同业务场景间灵活平衡速度和准确率。在中文发票识别场景下，PaddleOCR的准确率可达95%以上，远超传统OCR方案。
from paddleocr import PaddleOCR
# 使用高精度服务器端模型
ocr_high_accuracy = PaddleOCR(
use_angle_cls=True,
lang='ch',
det_model_dir=None, # 使用默认检测模型
rec_model_dir=None, # 使用默认识别模型
cls_model_dir=None, # 使用默认分类模型
det_db_thresh=0.3, # 检测阈值（降低此值可检测更多文本）
det_db_box_thresh=0.5, # 文本框阈值
rec_batch_num=6, # 批量识别数量
use_gpu=True, # GPU加速
enable_mkldnn=True, # CPU下启用MKL-DNN加速
)
# 调用识别
result = ocr_high_accuracy.ocr('complex_layout.png')
# 按置信度排序输出
all_texts = []
for line in result:
for item in line:
text, confidence = item[1]
all_texts.append((confidence, text))
all_texts.sort(reverse=True) # 高置信度在前
for conf, text in all_texts[:10]:
print(f'[{conf:.3f}] {text}')
7.3 表格识别与版面分析
PaddleOCR的一大特色是内置了表格识别和版面分析功能。表格识别模块可以自动检测和识别图像中的表格结构，并输出为HTML或Excel格式。版面分析功能能够识别文档中的标题、段落、图片、表格等不同区域的类型和层级关系，这对于保持复杂文档的阅读逻辑至关重要。结合表格识别和版面分析，可以实现对完整文档页面的结构化重建，是文档数字化流水线中不可或缺的环节。
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
# 表格结构化识别
from paddleocr.ppstructure import TableStructure
table_engine = TableStructure(
table_model_dir=None, # 使用默认表格模型
output='./output/',
show_log=True
)
result = table_engine('table_image.png')
# 解析表格结果
for line in result:
# HTML格式的表格
html_code = line['res']['html']
print('表格HTML：')
print(html_code[:500])
# 版面分析
from paddleocr.ppstructure import LayoutAnalysis
layout_engine = LayoutAnalysis(
layout_model_dir=None,
output='./output/'
)
layout_result = layout_engine('document_page.png')
for item in layout_result:
# 区域类型：0=背景, 1=正文, 2=标题, 3=图片, 4=表格
region_type = item['type']
region_box = item['bbox']
print(f'区域类型: {region_type}, 位置: {region_box}')
八、识别后处理
OCR引擎输出的原始结果往往包含各种错误和噪声，必须经过后处理才能得到可用的结构化数据。后处理是提升OCR实用性的关键环节，其重要性不亚于识别本身。常见的后处理任务包括文本纠错（字典匹配、规则修复）、结构化信息提取（正则表达式、命名实体识别）、置信度过滤、格式标准化等。
8.1 文本纠错与规则修复
OCR常见的错误类型包括：形近字误识（如"未"识别为"末"、"日"识别为"曰"）、字符粘连（如"rn"被识别为"m"）、标点符号混淆、多余空格等。针对这些典型错误，可以通过构建纠错字典和正则表达式规则来进行自动化修复。对于特定领域的文档，还可以结合领域知识库进行上下文相关的错误检测和修复。例如在药品说明书中，"0"和"O"、"1"和"l"的混淆可以通过药物名称数据库进行校正。
import re
class OCRPostProcessor:
"""OCR结果后处理器"""
# 常见形近字纠错表
CHAR_CORRECTION = {
'〇': '0', 'O': '0', 'ｏ': '0',
'l': '1', 'I': '1', '丨': '1',
'B': '8',
'S': '5',
'，': ',', '。': '.', '；': ';',
'（': '(', '）': ')', '：': ':',
'一': '-', '—': '-',
}
@classmethod
def correct_text(cls, text):
"""基础文本纠错"""
# 替换常见形近字
for wrong, correct in cls.CHAR_CORRECTION.items():
text = text.replace(wrong, correct)
# 去除多余空白
text = re.sub(r'\s+', ' ', text)
# 修复中文和英文之间的空格
text = re.sub(r'([一-鿿])\s+([一-鿿])', r'\1\2', text)
return text.strip()
@classmethod
def extract_phone_number(cls, text):
"""提取中国手机号"""
pattern = r'1[3-9]\d{9}'
return re.findall(pattern, text)
@classmethod
def extract_email(cls, text):
"""提取邮箱地址"""
pattern = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}'
return re.findall(pattern, text)
# 使用示例
raw_ocr_result = '联系电话：138 0013 8000，邮箱：zhang san@test.com'
processor = OCRPostProcessor()
corrected = processor.correct_text(raw_ocr_result)
print('纠错后：', corrected)
phones = processor.extract_phone_number(corrected)
print('提取的电话：', phones)
emails = processor.extract_email(corrected)
print('提取的邮箱：', emails)
8.2 结构化信息提取
对于发票、身份证、营业执照等固定格式的文档，可以利用正则表达式或命名实体识别（NER）从OCR结果中提取结构化字段。例如从身份证正面图像中提取姓名、性别、民族、出生日期、住址和身份证号等信息。结构化提取的步骤通常分为三步：先对整图OCR获取全文文本，然后使用预定义的规则模板逐字段匹配，最后对提取结果进行格式验证和校正。
import re
def extract_id_card_info(ocr_text):
"""从身份证OCR结果中提取结构化信息"""
info = {}
# 提取姓名
name_match = re.search(r'姓名\s*([一-鿿]{2,4})', ocr_text)
if name_match:
info['姓名'] = name_match.group(1)
# 提取性别
gender_match = re.search(r'性别\s*([男女])', ocr_text)
if gender_match:
info['性别'] = gender_match.group(1)
# 提取民族
nation_match = re.search(r'民族\s*([一-鿿]+)', ocr_text)
if nation_match:
info['民族'] = nation_match.group(1)
# 提取出生日期
birth_match = re.search(
r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日',
ocr_text
)
if birth_match:
info['出生日期'] = f'{birth_match.group(1)}年{birth_match.group(2)}月{birth_match.group(3)}日'
# 提取身份证号
id_match = re.search(r'\d{17}[\dXx]', ocr_text)
if id_match:
info['身份证号'] = id_match.group(0)
# 提取住址
addr_match = re.search(r'住址\s*([一-鿿\d()（）、 \s]+)', ocr_text)
if addr_match:
info['住址'] = addr_match.group(1).strip()
return info
# 使用示例
ocr_text = '''姓名 张三
性别 男 民族 汉
出生 1990年1月15日
住址 北京市海淀区中关村大街1号
公民身份号码 11010119900115001X'''
result = extract_id_card_info(ocr_text)
print('身份证信息提取结果：')
for key, value in result.items():
print(f' {key}: {value}')
8.3 置信度过滤与导出
识别结果中的低置信度文本通常是错误的部分，需要根据置信度阈值进行过滤。不同场景的置信度阈值设置不同：严格的文档归档要求置信度>0.90，而内部检索索引可以放宽到0.60。过滤后的结果可以根据业务需求导出为不同格式：Excel适合数据分析和人工审核，JSON适合程序自动化处理，Markdown适合文档阅读和分享。
import json
import pandas as pd
def export_ocr_results(ocr_data, output_format='json', min_confidence=0.8):
"""
导出OCR结果到指定格式
ocr_data: PaddleOCR格式的识别结果
"""
records = []
for line in ocr_data:
for item in line:
box = item[0]
text = item[1][0]
confidence = item[1][1]
# 置信度过滤
if confidence >= min_confidence:
records.append({
'text': text,
'confidence': round(confidence, 4),
'bbox': {
'x1': int(box[0][0]), 'y1': int(box[0][1]),
'x2': int(box[1][0]), 'y2': int(box[1][1]),
'x3': int(box[2][0]), 'y3': int(box[2][1]),
'x4': int(box[3][0]), 'y4': int(box[3][1]),
}
})
if output_format == 'json':
return json.dumps(records, ensure_ascii=False, indent=2)
elif output_format == 'excel':
df = pd.DataFrame(records)
df.to_excel('ocr_results.xlsx', index=False)
return '已导出到 ocr_results.xlsx'
elif output_format == 'text':
return '\n'.join([r['text'] for r in records])
# 使用示例
# result = export_ocr_results(paddle_result, 'json', min_confidence=0.85)
# print(result[:500])
九、实战案例
理论知识最终需要落地到实际业务中。本节通过四个典型的企业级应用案例，展示OCR技术在不同场景下的完整实现方案。每个案例都从需求分析出发，经过方案设计、代码实现到结果验证的完整流程，帮助读者建立从技术到产品的系统思维。
9.1 案例一：扫描版PDF批量转Word
某企业需要将3000份历史合同扫描PDF转为可编辑的Word文档。这些PDF文档为A4尺寸，均为中文，扫描质量中等。我们设计了一套自动化的处理管线：首先使用pdf2image将PDF转为高分辨率图片，然后经过图像预处理（降噪+二值化+倾斜校正）提高识别质量，接着使用PaddleOCR执行识别，最后将识别结果写入Word文档，并通过python-docx保持基本排版格式。
from pdf2image import convert_from_path
from paddleocr import PaddleOCR
from docx import Document
from docx.shared import Pt, Inches
import os
def pdf_to_word(pdf_path, output_path):
"""扫描版PDF批量转为Word文档"""
# 初始化OCR引擎
ocr = PaddleOCR(use_angle_cls=True, lang='ch', use_gpu=False)
# 创建Word文档
doc = Document()
doc.styles['Normal'].font.size = Pt(11)
doc.styles['Normal'].font.name = '宋体'
# 将PDF转为图像
images = convert_from_path(pdf_path, dpi=300)
for page_num, img in enumerate(images):
# 保存临时图片
temp_img = f'_temp_page_{page_num}.png'
img.save(temp_img)
# OCR识别
result = ocr.ocr(temp_img)
# 将识别文本写入Word
paragraph = doc.add_paragraph()
for line in result:
for item in line:
text = item[1][0]
confidence = item[1][1]
if confidence > 0.85:
paragraph.add_run(text)
# 分页
if page_num < len(images) - 1:
doc.add_page_break()
# 清理临时图片
os.remove(temp_img)
doc.save(output_path)
print(f'Word文档已保存: {output_path}')
# 批量处理示例
pdf_dir = 'contracts_pdf/'
output_dir = 'contracts_word/'
os.makedirs(output_dir, exist_ok=True)
for f in os.listdir(pdf_dir):
if f.endswith('.pdf'):
pdf_path = os.path.join(pdf_dir, f)
out_path = os.path.join(output_dir, f.replace('.pdf', '.docx'))
pdf_to_word(pdf_path, out_path)
9.2 案例二：发票信息自动提取
财务部门每月需要处理上千张增值税发票，人工录入不仅效率低下且容易出错。我们开发了一套发票信息自动提取系统，能够识别增值税普通发票和专用发票中的关键字段，包括发票号码、开票日期、购买方信息、销售方信息、商品明细、金额和税额等。系统使用PaddleOCR进行文字检测和识别，然后通过预定义的位置模板和正则表达式提取结构化字段，最终将结果写入Excel表格，每月可节省约80%的人工录入时间。
import re
import json
from paddleocr import PaddleOCR
import pandas as pd
class InvoiceExtractor:
"""增值税发票信息提取器"""
def __init__(self):
self.ocr = PaddleOCR(
use_angle_cls=True,
lang='ch',
use_gpu=False
)
def extract(self, image_path):
"""提取发票信息"""
result = self.ocr.ocr(image_path)
full_text = ''
text_blocks = []
for line in result:
for item in line:
text = item[1][0]
conf = item[1][1]
box = item[0]
if conf > 0.7:
full_text += text + '\n'
text_blocks.append({
'text': text,
'conf': conf,
'y': box[0][1] # 使用y坐标排序
})
# 结构化提取
info = {}
# 发票号码（通常为8-10位数字）
invoice_no = re.search(r'发票号码[：:]\s*(\d{8,10})', full_text)
if invoice_no: info['发票号码'] = invoice_no.group(1)
# 开票日期
date_match = re.search(r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日', full_text)
if date_match:
info['开票日期'] = f'{date_match.group(1)}-{date_match.group(2).zfill(2)}-{date_match.group(3).zfill(2)}'
# 合计金额
amount_match = re.search(r'合计[¥￥]\s*(\d+\.?\d*)', full_text)
if amount_match: info['合计金额'] = float(amount_match.group(1))
# 税额
tax_match = re.search(r'税额[¥￥]?\s*(\d+\.?\d*)', full_text)
if tax_match: info['税额'] = float(tax_match.group(1))
# 购买方名称
buyer_match = re.search(r'名称[：:]\s*([一-鿿（）\(\)\w]+)', full_text[:200])
if buyer_match: info['购买方'] = buyer_match.group(1)
return info
# 批量处理发票图像
def batch_extract_invoices(image_dir, output_excel):
extractor = InvoiceExtractor()
all_invoices = []
for f in os.listdir(image_dir):
if f.lower().endswith(('.jpg', '.png', '.jpeg')):
path = os.path.join(image_dir, f)
info = extractor.extract(path)
info['文件名'] = f
all_invoices.append(info)
df = pd.DataFrame(all_invoices)
df.to_excel(output_excel, index=False)
print(f'已提取 {len(all_invoices)} 张发票信息到 {output_excel}')
# batch_extract_invoices('invoices/', 'invoice_data.xlsx')
9.3 案例三：身份证信息识别
在金融、酒店、政务等行业的实名认证场景中，身份证信息的自动录入是高频需求。我们利用OCR技术实现了身份证正反面的信息自动识别，正面提取姓名、性别、民族、出生日期、住址和身份证号，反面提取签发机关和有效期。系统在图像预处理阶段会进行专门的身份证缩放（分辨率控制在1024x768左右，过小文字看不清，过大影响效率），并使用PaddleOCR的端到端识别模型，最后结合正则规则进行字段校验。
import re
import cv2
import numpy as np
from paddleocr import PaddleOCR
class IDCardRecognizer:
"""身份证识别器"""
def __init__(self):
self.ocr = PaddleOCR(
use_angle_cls=True,
lang='ch',
use_gpu=False,
det_db_thresh=0.35, # 降低检测阈值提高召回率
)
def preprocess_idcard(self, image_path):
"""身份证图像预处理"""
img = cv2.imread(image_path)
# 统一尺寸
img = cv2.resize(img, (1024, 768))
# 增强对比度（身份证文字偏淡时有用）
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
l = clahe.apply(l)
enhanced = cv2.merge([l, a, b])
enhanced = cv2.cvtColor(enhanced, cv2.COLOR_LAB2BGR)
return enhanced
def recognize_front(self, image_path):
"""识别身份证正面"""
img = self.preprocess_idcard(image_path)
result = self.ocr.ocr(img)
full_text = ''
for line in result:
for item in line:
text = item[1][0]
full_text += text + ' '
# 结构化提取
info = {}
# 姓名
m = re.search(r'姓名\s*([一-鿿]{2,4})', full_text)
if m: info['姓名'] = m.group(1)
# 性别
m = re.search(r'性别\s*([男女])', full_text)
if m: info['性别'] = m.group(1)
# 民族
m = re.search(r'民族\s*([一-鿿]{1,4})', full_text)
if m: info['民族'] = m.group(1)
# 出生日期
m = re.search(r'(\d{4})\D?(\d{1,2})\D?(\d{1,2})', full_text)
if m: info['出生日期'] = f'{m.group(1)}-{m.group(2).zfill(2)}-{m.group(3).zfill(2)}'
# 身份证号
m = re.search(r'\d{17}[\dXx]', full_text)
if m: info['身份证号'] = m.group(0).upper()
return info
# 使用示例
recognizer = IDCardRecognizer()
info = recognizer.recognize_front('id_card_front.jpg')
print('身份证正面信息：')
for k, v in info.items():
print(f' {k}: {v}')
9.4 案例四：书籍扫描数字化
将纸质书籍扫描转化为可搜索的电子文档是OCR最经典的应用场景之一。这个案例涉及完整的数字化流水线：书籍拆页扫描、批量图像预处理、双页拆分（书籍扫描通常一页包含左右两页加中间书脊弯曲）、OCR识别、文本校对、版式重建、生成EPUB/MOBI电子书。对于古籍或竖排排版书，还需要额外的版面方向检测和文字排序逻辑。整个流程中，图像预处理的质量直接决定了最终数字化的可用性，尤其在处理书脊弯曲和页面阴影时，需要定制化的图像校正算法。
import os
from pdf2image import convert_from_path
from paddleocr import PaddleOCR
from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Paragraph
from reportlab.lib.styles import getSampleStyleSheet
class BookDigitizer:
"""书籍扫描数字化工具"""
def __init__(self):
self.ocr = PaddleOCR(
use_angle_cls=True,
lang='ch',
use_gpu=False,
det_db_thresh=0.3
)
def split_double_page(self, image):
"""将双页扫描拆分为左右两页"""
h, w = image.shape[:2]
mid = w // 2
left_page = image[:, :mid]
right_page = image[:, mid:]
return left_page, right_page
def digitize_book(self, pdf_path, output_pdf, lang='chi_sim'):
"""将扫描版书籍转为可搜索PDF"""
# 将PDF转为图像
images = convert_from_path(pdf_path, dpi=300)
styles = getSampleStyleSheet()
doc = SimpleDocTemplate(output_pdf, pagesize=A4)
story = []
for page_num, img in enumerate(images):
print(f'处理第 {page_num+1}/{len(images)} 页...')
# 保存为临时文件
temp_path = f'_temp_{page_num}.png'
img.save(temp_path)
# OCR识别
result = self.ocr.ocr(temp_path)
# 将识别文本添加到PDF
page_text = []
for line in result:
for item in line:
text = item[1][0]
conf = item[1][1]
if conf > 0.85 and text.strip():
page_text.append(text)
if page_text:
text_content = ' '.join(page_text)
p = Paragraph(text_content, styles['Normal'])
story.append(p)
# 分页
if page_num < len(images) - 1:
story.append(Paragraph('
', styles['Normal']))
# 清理临时文件
os.remove(temp_path)
# 生成PDF
doc.build(story)
print(f'电子书已生成: {output_pdf}')
# digitizer = BookDigitizer()
# digitizer.digitize_book('book_scan.pdf', 'book_digital.pdf')