场景：你的RAG知识库，缺一个靠谱的文字提取器

做RAG知识库时，最头疼的一步往往是“怎么把PDF/图片里的字弄出来”。网上方案不少：Tesseract配置麻烦、商业API贵、云服务有隐私问题。PaddleOCR是个不错的开源选择，尤其适合国内团队——中文识别漂亮，轻量模型可以在低配服务器甚至端侧跑。

但注意：不是所有文档都值得上OCR。如果你的PDF本身有文本层（比如直接Word导出的），用PyMuPDF解析更快更准；唯有扫描件、拍照件、有复杂版面的图片，才需要OCR。PaddleOCR的价值在于把“万国语言”的图片文字变成LLM能吃的结构化文本。

整体架构：PaddleOCR的“三板斧”

PaddleOCR的核心流程分三阶段：文本检测（DBNet/EAST） → 方向分类器 → 文本识别（CRNN+Attention）。官方提供了多种模型，其中轻量模型ch_ppocr_mobile_v2.0检测模型仅1.7M，识别模型5.6M，非常适合服务器部署。

以最新版（v2.8）为例，一行代码就能调用：

from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('invoice.jpg', cls=True)

返回的结构是list of list，每个框包含：坐标 [[x1,y1],[x2,y2],[x3,y3],[x4,y4]]、识别文本和置信度。若你需要结构化数据（比如发票的字段），必须自己做后处理：将坐标合并为段落，或利用版面分析（PP-Structure）提取表格。

关键技术选型与参数配置

参数直接决定质量。我常调整的几个关键参数：

• det_db_thresh：文本检测阈值，默认0.3。调高（如0.5）可减少误检；调低（0.2）能找回弱文字，但会增加噪声。
• rec_char_dict_path：字符集文件。官方中文版覆盖6623个常用汉字，如果需要生僻字或专有名词（如化学式），可以追加。
• use_angle_cls：方向分类器。建议默认开启，尤其处理手机拍照的文档时，能减少旋转错误。

ocr = PaddleOCR(use_angle_cls=True, lang='ch', det_db_thresh=0.4, rec_char_dict_path='./my_dict.txt')

实测效果与调优记录

我拿500张中文发票（含复杂表格、印章）做过测试。对比Tesseract 5.0（chi_sim+6.4.0 LSTM）：

结论：PaddleOCR在中文场景下精度和速度均优于Tesseract，且部署简单。如果你的文档以英文为主，差距会缩小（Tesseract英文基准95%左右），但PaddleOCR仍更快。

⚠️ 数据基于个人测试（GPU: NVIDIA T4, CPU: Intel Xeon 2.6GHz），具体值随版本和图像质量波动。

常见坑和解决方案

坑1：大图片导致OOM。PaddleOCR默认不缩放，20000×20000像素的图片直接炸内存。解决：先压缩宽度到2000px以内，或者分块处理。

坑2：印章、水印干扰文字检测。印章通常为红色圆形，文字检测模型容易漏。方案：使用det_db_thresh=0.3并启用use_angle_cls，但更暴力的方法是预处理时用颜色过滤去掉红色区域。

坑3：表格识别结果混乱。PaddleOCR自带的ppstructure表格识别仅支持有线表格。对于无线表格（如Excel截图），建议买商业方案或自己用坐标聚类写后处理。我通常的做法：OCR后按y坐标聚类为行，x坐标排序为列，对简单表格效果尚可。

# 简易表格后处理示例
lines = []
for line in result[0]:
    y_center = (line[0][0][1] + line[0][2][1]) / 2
    lines.append((y_center, line[1][0]))
line_groups = {}
for y, text in sorted(lines, key=lambda x: x[0]):
    row = int(y / 30) * 30  # 行高30px
    line_groups.setdefault(row, []).append(text)

我的个人观点

PaddleOCR是目前开源OCR中“性价比”最高的工具——中文精度顶级、部署简单、支持100+语言。但它不是银弹：纯文本PDF请绕道；公式识别问Mathpix；历史文档古籍识别需要Fine-tune。如果你的场景是企业RAG知识库（扫描合同、发票、产品手册），PaddleOCR是明智的选项。搭配LangChain的PDFLoader自定义类，能让文档顺利进入Embedding流水线。

最后提醒：不要在一篇文章里塞太多内容——读到这里你已经可以用PaddleOCR跑通一条线了。剩下的参数微调和后处理，遇到问题再查文档即可。