企业官网建设流程全解析

1. 为什么我又把OCR这件事翻出来折腾了一遍

日常办公里最让人抓狂的场景之一，就是拿到一份扫描版PDF或者一张截图，里面的文字明明看得清清楚楚，但就是选不中、复制不了。想改一个字，得对着屏幕手敲；想引用一段话，得逐字校对。这种时候，一个靠谱的OCR工具就是救命稻草。

我最早接触OCR是好几年前，那时候用的还是某商业软件的试用版，识别几页就提示要付费，而且中文识别率感人，标点符号经常乱飞。后来陆续试过在线OCR服务、手机App、各种桌面端工具，要么有页数限制，要么要上传到别人服务器，要么识别完排版全乱。直到我开始用开源OCR方案，才算真正把这件事掌握在自己手里。

这篇文章要聊的，就是怎么用开源OCR工具把图片和PDF里的文字快速、准确地提取出来。核心关键词就几个：OCR、开源、PDF、图片、文字提取。不管你是完全没接触过OCR的新手，还是用过一些工具但觉得不够顺手的老用户，下面这些内容都能直接拿去用。我会从方案选型讲到实操步骤，再到踩过的坑和排查技巧，尽量把每个环节都说透。

先说结论：目前开源OCR领域最成熟、最省心的组合，是Tesseract OCR引擎加上一个顺手的调用方式（命令行或者Python脚本），如果对中文识别要求更高，可以上PaddleOCR。这两个都是完全开源、本地运行、不依赖网络的方案。下面我会把两条路线都讲清楚，你根据自己的需求选。

2. 开源OCR方案怎么选：Tesseract还是PaddleOCR

2.1 两个主流开源OCR引擎的定位差异

Tesseract的历史可以追溯到上世纪八十年代，后来由惠普开源，再后来由Google接手维护。它的最大优势是成熟稳定、语言包丰富、跨平台支持好。Windows、macOS、Linux上都能跑，安装包也不大。缺点是默认状态下对中文的识别效果一般，尤其是排版复杂或者字体特殊的场景，需要做一些预处理和参数调优。

PaddleOCR是百度飞桨团队开源的一套OCR工具库，底层用的是深度学习模型。它在中文识别上的表现明显优于Tesseract，尤其是对自然场景文字、倾斜文字、手写体的识别能力更强。而且它自带方向分类、版面分析等功能，开箱即用的效果就很好。缺点是对硬件有一定要求，虽然CPU也能跑，但如果有GPU会快很多，另外安装过程比Tesseract稍微复杂一点。

我自己的使用策略是这样的：如果只是偶尔提取一些印刷体文档、截图里的文字，Tesseract足够了，装起来快，用起来简单。如果需要批量处理大量中文文档，或者对识别准确率要求很高，那就上PaddleOCR。两者并不冲突，可以都装着，按场景切换。

2.2 不同场景下的选型建议

为了让你更直观地做决定，我整理了一个对比表格：

如果你只是想把一张截图里的几行字提出来，Tesseract命令行一行命令就搞定。如果你要处理几百页的扫描PDF，而且里面有表格、多栏排版，PaddleOCR会更省心。

还有一个选择维度是是否需要保留排版。Tesseract默认输出的是纯文本，段落结构会丢失。PaddleOCR可以输出带坐标信息的结构化结果，方便你后续还原版面。如果你只是要文字内容，不需要保留格式，两者都行。如果你要把识别结果还原成Word或者保持原来的段落结构，PaddleOCR更有优势。

2.3 为什么我不推荐在线OCR服务

顺便说一句，很多人第一反应是用在线OCR服务，觉得方便。但有几个问题：第一，隐私。你把合同、身份证、内部文档上传到别人服务器，风险不用我多说。第二，限制。免费版通常有页数或文件大小限制，批量处理很麻烦。第三，稳定性。服务说关就关，接口说变就变，你依赖它就有断档的风险。开源本地方案虽然前期配置花点时间，但一次搞定之后就是一劳永逸。

3. Tesseract OCR从安装到出结果：完整实操流程

3.1 Windows下的安装与配置

Windows上安装Tesseract最简单的方式是下载官方编译好的安装包。你可以在GitHub的UB-Mannheim仓库找到最新的Windows安装程序。下载后双击安装，注意在安装向导里勾选Additional language data，把中文语言包一起装上。默认安装路径是C:\Program Files\Tesseract-OCR，记住这个路径，后面配置环境变量要用。

安装完成后，需要把Tesseract的安装目录添加到系统环境变量Path里。具体操作：右键“此电脑”->属性->高级系统设置->环境变量->在系统变量里找到Path->编辑->新建->填入C:\Program Files\Tesseract-OCR->确定保存。然后打开命令提示符，输入tesseract --version，如果能看到版本号输出，说明安装配置成功。

语言包方面，中文需要chi_sim（简体）和chi_tra（繁体）两个文件。如果你安装时没勾选，可以单独下载语言包文件，放到Tesseract安装目录下的tessdata文件夹里。下载地址在Tesseract的GitHub仓库的tessdata目录下，找到对应的.traineddata文件下载即可。

3.2 macOS和Linux下的安装

macOS上用Homebrew安装最方便：

brew install tesseract brew install tesseract-lang

第二条命令会安装所有语言包，包括中文。安装完成后同样用tesseract --version验证。

Linux（以Ubuntu为例）：

sudo apt update sudo apt install tesseract-ocr sudo apt install tesseract-ocr-chi-sim sudo apt install tesseract-ocr-chi-tra

如果你需要其他语言，把chi-sim换成对应的语言代码即可。

3.3 命令行直接提取图片文字

安装配置好之后，最基本的用法是这样的：

tesseract input.png output -l chi_sim

这条命令的意思是：识别input.png里的文字，结果保存到output.txt，使用简体中文语言包。如果你同时有中英文混排的内容，可以这样写：

tesseract input.png output -l chi_sim+eng

Tesseract会自动在两种语言之间切换识别。实测下来，中英文混排的场景用chi_sim+eng比单用chi_sim效果好很多，因为纯中文语言包对英文字母的识别率会下降。

对于PDF文件，Tesseract本身不直接支持PDF输入，需要先把PDF转成图片。可以用ImageMagick或者pdftoppm来做这件事：

pdftoppm -png -r 300 input.pdf page

这条命令会把PDF的每一页转成300 DPI的PNG图片，文件名依次是page-1.png、page-2.png等等。然后对每一张图片跑Tesseract就行了。300 DPI是我实测下来比较合适的值，再低会影响识别率，再高文件会很大但识别率提升有限。

3.4 用Python批量处理图片和PDF

如果你要批量处理，写个Python脚本会方便很多。先安装依赖：

pip install pytesseract pillow pdf2image

然后是一个批量处理的脚本示例：

import pytesseract from PIL import Image from pdf2image import convert_from_path import os # Windows下需要指定tesseract路径 # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def ocr_image(image_path, lang='chi_sim+eng'): img = Image.open(image_path) text = pytesseract.image_to_string(img, lang=lang) return text def ocr_pdf(pdf_path, lang='chi_sim+eng', dpi=300): images = convert_from_path(pdf_path, dpi=dpi) all_text = [] for i, img in enumerate(images): text = pytesseract.image_to_string(img, lang=lang) all_text.append(f'--- 第{i+1}页 ---\n{text}') return '\n'.join(all_text) # 批量处理文件夹里的图片 def batch_ocr(folder_path, output_file): results = [] for filename in sorted(os.listdir(folder_path)): if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp')): filepath = os.path.join(folder_path, filename) text = ocr_image(filepath) results.append(f'=== {filename} ===\n{text}') with open(output_file, 'w', encoding='utf-8') as f: f.write('\n\n'.join(results)) if __name__ == '__main__': batch_ocr('./images', './output.txt')

这个脚本可以直接拿去用，把图片放在images文件夹里，运行后结果会输出到output.txt。PDF的处理同理，调用ocr_pdf函数就行。

3.5 提升识别率的关键参数调优

Tesseract的默认配置不一定适合所有场景，有几个参数值得调整：

页面分割模式（PSM）：这个参数控制Tesseract如何分析页面结构。常用的值有：

• --psm 3：默认值，自动分析页面布局
• --psm 6：假设页面是一整块统一的文本
• --psm 4：假设页面是单列可变大小的文本
• --psm 11：稀疏文本，适合从复杂背景中提取零散文字

如果你识别的是截图或者单栏文档，--psm 6通常比默认值效果好。如果是多栏排版，--psm 3更合适。

OCR引擎模式（OEM）：--oem 3是默认值，使用基于LSTM的神经网络引擎。除非有特殊需求，否则保持默认就行。

字符白名单：如果你知道图片里只有数字和英文字母，可以限制识别范围来提升准确率：

tesseract input.png output -l eng --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz

这个技巧在处理票据、验证码之类的场景特别有用。

4. PaddleOCR上手：中文识别效果更好的选择

4.1 安装与环境准备

PaddleOCR的安装分两步：先装PaddlePaddle框架，再装PaddleOCR库。以CPU版本为例：

pip install paddlepaddle pip install paddleocr

如果你有NVIDIA显卡并且配置了CUDA，可以安装GPU版本：

pip install paddlepaddle-gpu pip install paddleocr

安装完成后，第一次运行时会自动下载模型文件，大约几百MB，需要联网。下载完成后就可以离线使用了。

4.2 三行代码完成图片文字提取

PaddleOCR的Python API设计得很简洁：

from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang='ch') result = ocr.ocr('test.png', cls=True) for line in result[0]: print(line[1][0])

use_angle_cls=True表示启用方向分类，可以自动纠正旋转的文字。lang='ch'指定中文模型。result里包含了每个文本框的坐标和识别文字，line[1][0]就是识别出来的文本内容。

4.3 批量处理PDF的完整方案

PaddleOCR处理PDF的思路和Tesseract一样，先把PDF转成图片，再逐页识别。下面是一个完整的脚本：

from paddleocr import PaddleOCR from pdf2image import convert_from_path import os ocr = PaddleOCR(use_angle_cls=True, lang='ch') def process_pdf(pdf_path, output_txt): images = convert_from_path(pdf_path, dpi=300) all_text = [] for i, img in enumerate(images): img.save(f'_temp_page_{i}.png') result = ocr.ocr(f'_temp_page_{i}.png', cls=True) page_text = '\n'.join([line[1][0] for line in result[0]]) if result[0] else '' all_text.append(f'--- 第{i+1}页 ---\n{page_text}') os.remove(f'_temp_page_{i}.png') with open(output_txt, 'w', encoding='utf-8') as f: f.write('\n\n'.join(all_text)) print(f'完成，结果已保存到{output_txt}') process_pdf('document.pdf', 'result.txt')

这个脚本会逐页处理PDF，把每页的识别结果按页分隔保存。实测下来，PaddleOCR对中文文档的识别准确率明显高于Tesseract，尤其是对宋体、黑体之外的字体，以及稍微模糊的扫描件。

4.4 处理特殊场景的注意事项

PaddleOCR虽然开箱即用效果好，但有几个点需要注意：

内存占用：处理高分辨率图片时，PaddleOCR会占用较多内存。如果遇到内存不足的情况，可以在初始化时设置rec_image_shape参数来限制输入尺寸，或者先把图片缩小再识别。

首次加载慢：第一次运行时会加载模型，可能需要几秒钟。如果你要处理大量文件，建议把OCR对象初始化一次，然后重复使用，不要每次识别都重新创建。

竖排文字：PaddleOCR对竖排中文的支持有限，如果遇到竖排文档，可能需要先用图像处理库把图片旋转90度再识别。

表格识别：PaddleOCR有专门的表格识别模型（PP-Structure），如果你需要提取表格内容并保留结构，可以研究一下这个模块。不过表格识别比纯文字识别复杂得多，准确率也受表格样式影响较大。

5. 图片预处理：让识别率再上一个台阶

5.1 为什么预处理很重要

OCR引擎再强，如果输入的图片质量差，识别结果也好不到哪去。我踩过的坑里，至少有一半的问题出在图片本身：分辨率太低、对比度不够、有噪点、倾斜、阴影等等。花几分钟做预处理，识别率可能从70%提升到95%以上。

5.2 常用预处理操作及代码

用OpenCV和Pillow可以做大部分预处理工作。先安装：

pip install opencv-python pillow

灰度化：彩色信息对文字识别没有帮助，转成灰度图可以减少干扰：

import cv2 img = cv2.imread('input.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值化：把灰度图转成黑白两色，让文字和背景的对比更明显：

_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

Otsu方法会自动计算最佳阈值，适合大多数场景。

去噪：中值滤波可以去掉椒盐噪声：

denoised = cv2.medianBlur(gray, 3)

倾斜校正：如果扫描件是歪的，可以用霍夫变换检测直线角度然后旋转：

import numpy as np def deskew(image): coords = np.column_stack(np.where(image > 0)) angle = cv2.minAreaRect(coords)[-1] if angle < -45: angle = -(90 + angle) else: angle = -angle (h, w) = image.shape[:2] center = (w // 2, h // 2) M = cv2.getRotationMatrix2D(center, angle, 1.0) rotated = cv2.warpAffine(image, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE) return rotated

放大：如果图片分辨率太低，可以先放大再识别。但要注意，简单的插值放大不会增加信息量，效果有限。更好的做法是用超分辨率模型，不过那就复杂了。实际经验是，如果原图DPI低于150，识别率会明显下降，建议重新扫描或者用更高的DPI重新截图。

5.3 预处理流程的推荐顺序

我一般按这个顺序做预处理：灰度化 -> 去噪 -> 二值化 -> 倾斜校正 -> 缩放。不是每一步都必须做，根据图片实际情况取舍。比如截图通常不需要去噪和倾斜校正，但扫描件往往需要全套。

注意：二值化不是万能的。如果原图背景复杂或者有渐变，强行二值化可能丢失文字细节。这种情况下，保持灰度图直接识别反而效果更好。建议两种方式都试一下，对比结果。

6. 常见问题与排查技巧实录

6.1 识别结果乱码或空白

这是最常见的问题，原因通常有几个：

语言包没装对。检查tessdata目录下是否有chi_sim.traineddata文件。如果没有，去下载对应的语言包放进去。PaddleOCR的话，检查初始化时的lang参数是否正确。

图片路径或格式问题。Tesseract对某些格式支持不好，比如WebP。建议统一转成PNG或TIFF再识别。

图片质量太差。如果图片模糊、对比度低，任何OCR引擎都无能为力。先做预处理，或者重新获取更清晰的图片。

PSM参数不合适。试试不同的--psm值，有时候换个模式结果就完全不一样。

6.2 中文识别率低怎么办

Tesseract的中文识别率确实不如PaddleOCR，但通过以下方法可以改善：

• 使用chi_sim+eng而不是纯chi_sim
• 设置--psm 6（假设统一文本块）
• 做二值化预处理
• 如果还是不行，换PaddleOCR

PaddleOCR中文识别率低的情况比较少见，如果遇到，检查图片是否分辨率太低或者文字太小。PaddleOCR对小于20像素高的文字识别率会下降，可以尝试放大图片。

6.3 处理速度太慢的优化思路

降低DPI：300 DPI是精度和速度的平衡点，如果对精度要求不高，可以降到200 DPI。

限制识别区域：如果图片中只有部分区域有文字，可以先裁剪出文字区域再识别，减少处理面积。

使用GPU：PaddleOCR支持GPU加速，如果有NVIDIA显卡，安装GPU版本后速度可以提升5到10倍。

并行处理：批量处理时可以用多进程，Python的multiprocessing库可以轻松实现。

调整模型：PaddleOCR提供了不同大小的模型，默认用的是中等大小的模型。如果对速度要求高，可以换用轻量级模型。

6.4 常见问题速查表

6.5 几个我踩过的坑

坑一：路径里有中文或空格。Tesseract命令行对中文路径支持不好，容易报错。解决办法是把文件放到纯英文路径下，或者用Python调用时用os.path处理路径。

坑二：PDF转图片时DPI设太低。我一开始用默认的150 DPI，识别率惨不忍睹。后来改成300 DPI，效果立竿见影。如果原PDF是扫描件，建议用400 DPI。

坑三：忘了关PaddleOCR的日志输出。PaddleOCR默认会打印很多日志信息，批量处理时刷屏很烦。可以在初始化时设置show_log=False来关闭。

坑四：Tesseract的--psm参数位置放错。这个参数必须放在输出文件名之后，放在前面会被当成输入文件处理。正确的顺序是tesseract input output -l chi_sim --psm 6。

坑五：PaddleOCR首次运行下载模型超时。如果网络环境不好，模型下载可能失败。可以手动下载模型文件放到指定目录，或者设置镜像源加速下载。

7. 把OCR集成到日常工作流里

7.1 批量处理文件夹的自动化脚本

如果你经常需要处理大量图片或PDF，可以写一个带监控功能的脚本，自动处理指定文件夹里的新文件：

import time import os from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler from paddleocr import PaddleOCR class OCRHandler(FileSystemEventHandler): def __init__(self, output_dir): self.ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False) self.output_dir = output_dir def on_created(self, event): if event.is_directory: return if event.src_path.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.tiff')): print(f'检测到新文件：{event.src_path}') result = self.ocr.ocr(event.src_path, cls=True) text = '\n'.join([line[1][0] for line in result[0]]) if result[0] else '' base_name = os.path.splitext(os.path.basename(event.src_path))[0] output_path = os.path.join(self.output_dir, f'{base_name}.txt') with open(output_path, 'w', encoding='utf-8') as f: f.write(text) print(f'识别完成：{output_path}') observer = Observer() observer.schedule(OCRHandler('./output'), './watch', recursive=False) observer.start() try: while True: time.sleep(1) except KeyboardInterrupt: observer.stop() observer.join()

这个脚本会监控watch文件夹，一旦有新图片放进去就自动识别，结果保存到output文件夹。配合截图工具的自动保存功能，可以实现“截图即识别”的体验。

7.2 与笔记软件联动

我自己的做法是：截图后自动OCR，然后把文字追加到当天的笔记文件里。这样平时看到有用的内容，截个图就自动归档了，后面搜索笔记就能找到。实现方式是在上面的脚本里加一段追加写入的逻辑，把识别结果按时间戳追加到指定文件。

7.3 处理特殊格式的注意事项

验证码识别：验证码通常有干扰线、扭曲、粘连，普通OCR效果很差。如果确实需要，可以针对性地做图像预处理（去干扰线、字符分割），但这不是本文的重点，而且验证码识别的合规性需要特别注意，不要用于不当用途。

公式识别：普通OCR对数学公式的识别基本不可用。如果需要提取公式，要用专门的公式识别工具，比如LaTeX-OCR这类项目。

手写体识别：Tesseract对手写体基本无能为力，PaddleOCR稍好但也有限。手写体识别目前仍然是个难题，如果要求高，可能需要用专门的手写识别模型。

多语言混排：中英日韩混排的文档，建议用PaddleOCR的多语言模型，或者分别用不同语言包识别后合并结果。

8. 一些实际使用中的体会

用开源OCR处理文档这件事，我从最开始的手忙脚乱到现在基本能稳定输出，中间经历了大概两三个月的摸索期。最大的感受是：没有万能方案，只有适合当前场景的方案。Tesseract和PaddleOCR各有优劣，关键是根据你的具体需求来选。

另一个体会是，预处理的重要性怎么强调都不为过。同样一张图，做不做二值化，识别率可能差30%以上。花几分钟调一下对比度和阈值，比换引擎的效果还明显。

还有一点，不要追求100%的准确率。OCR本质上是一个概率问题，再好的引擎也会有出错的时候。重要的是建立一个校验机制，比如识别完后快速扫一遍，或者对关键字段做二次确认。对于批量处理，可以先用小样本测试，确认效果后再全量跑。

最后说一个实用技巧：如果你经常需要识别同一种版式的文档（比如某种固定的票据或表格），可以针对这个版式做模板匹配，先定位关键区域再识别，准确率会比整页识别高很多。这个思路在处理结构化文档时特别有效。