我要投稿

GitHub 53k Stars!百度开源的OCR神器,支持80+语言,准确率碾压商业方案!

发布日期：2025-11-08 11:58:58 浏览次数： 1533

作者：小曾AI笔记

微信搜一搜，关注“小曾AI笔记”

PaddleOCR是由百度飞桨团队开源的工业级OCR工具包,截至2025年6月已在GitHub上获得超过53k Stars,成为OCR领域最受欢迎的开源项目。更令人瞩目的是,它已深度集成到MinerU、RAGFlow、OmniParser、QAnything等顶级AI项目中,成为AI时代文档处理的基础设施。

2025年5月,PaddleOCR 3.0正式发布,带来了三大核心能力:PP-OCRv5(高精度文字识别)、PP-StructureV3(复杂文档解析)、PP-ChatOCRv4(智能信息提取)。这标志着OCR技术从"识别文字"迈向"理解文档"的全新阶段。

核心功能

1. PP-OCRv5 - 全场景高精度文字识别

这是PaddleOCR的基础能力,专注于将图片和PDF中的文字精准提取出来。

关键特性:

• 单模型多语言支持:一个模型同时支持简体中文、繁体中文、拼音、英文、日文五种文字类型,解决了混合语言文档的识别难题
• 手写识别增强:对复杂草书、非标准手写体的识别准确率大幅提升
• 精度跃升:相比PP-OCRv4提升13个百分点,在多个真实场景达到SOTA性能
• 80+语言库:支持法语、西班牙语、葡萄牙语、俄语、韩语等37种语言,平均准确率提升超30%

2. PP-StructureV3 - 通用文档解析引擎

这是PaddleOCR的核心竞争力,能将复杂PDF和文档图像转换为保留原始结构的Markdown和JSON文件。

独家能力:

• 印章识别:自动检测并提取公章、印章中的文字信息
• 图表转表格:将柱状图、折线图等可视化图表转换为结构化表格数据,最新版本准确率提升9.36个百分点
• 嵌套表格识别:支持包含公式、图片的复杂表格结构解析
• 竖排文档:完美处理中文竖排、古籍文献等特殊排版
• 双层可搜索PDF:在原始扫描件上叠加OCR文本层,既保留原貌又可全文检索

在OmniDocBench公开基准测试中,PP-StructureV3的表现超越了众多商业解决方案,成为文档解析领域的新标杆。

3. PP-ChatOCRv4 - 智能信息提取

这是PaddleOCR 3.0的创新突破,让文档"听懂"你的问题并给出精准答案。

核心价值:

• 原生集成ERNIE 4.5:百度自研大模型深度融合,关键信息提取准确率提升15%
• 多模态理解:集成PP-DocBee2,能同时理解印刷体、手写体、印章、表格、图表等多种元素
• 灵活部署:支持PaddleNLP、Ollama、vLLM等多种大模型部署方式,可自由选择本地或云端服务

4. PP-DocTranslation - 文档翻译新利器

基于PP-StructureV3和ERNIE 4.5的全新文档翻译管道,支持保留格式的智能翻译,输出结果为标准Markdown格式。

快速上手:三步开始使用

安装部署

# 1. 安装PaddlePaddle(前置依赖)
pip install paddlepaddle

# 2. 安装PaddleOCR
pip install paddleocr

# 3. 一行命令完成OCR识别
paddleocr ocr -i demo.png

基础使用

from paddleocr import PaddleOCR

# 初始化OCR引擎(首次运行会自动下载模型)
ocr = PaddleOCR(
    use_angle_cls=True,        # 启用文字方向检测
    lang='ch',                 # 设置语言为中文
    use_gpu=True               # 使用GPU加速(可选)
)

# 对图片进行OCR识别
result = ocr.ocr('invoice.jpg', cls=True)

# 解析结果
for line in result:
    for word_info in line:
        bbox, (text, confidence) = word_info
        print(f"文字: {text}, 置信度: {confidence:.2f}")

进阶应用:三大典型场景

场景1:批量文档解析(PP-StructureV3)

from paddleocr import PPStructureV3

# 初始化文档解析引擎
pipeline = PPStructureV3(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False
)

# 解析PDF/图片文档
output = pipeline.predict(
    input="contract.pdf",
)

# 导出为Markdown和JSON格式
for res in output:
    res.print()                        # 打印识别结果
    res.save_to_json("output")         # 保存为JSON
    res.save_to_markdown("output")     # 保存为Markdown

场景2:智能信息提取(PP-ChatOCRv4)

from paddleocr import PPChatOCRv4Doc

# 配置大模型(使用百度千帆平台)
chat_bot_config = {
    "model_name": "ernie-3.5-8k",
    "api_key": "your_api_key",
    "base_url": "https://qianfan.baidubce.com/v2",
}

# 初始化智能提取引擎
pipeline = PPChatOCRv4Doc()

# 第一步:视觉理解(提取文档中的所有元素)
visual_result = pipeline.visual_predict(
    input="invoice.png",
    use_seal_recognition=True,      # 识别印章
    use_table_recognition=True,     # 识别表格
)

# 第二步:智能问答(提取关键信息)
chat_result = pipeline.chat(
    key_list=["发票号码", "开票日期", "金额合计"],
    visual_info=visual_result,
    chat_bot_config=chat_bot_config,
)

print(chat_result)  # 输出: {"发票号码": "12345", "开票日期": "2025-10-04", ...}

场景3:多语言混合识别

from paddleocr import PaddleOCR

# 初始化支持多语言的OCR
ocr = PaddleOCR(lang='ch')  # 单模型支持中文+英文+日文

# 识别中英日混排文档
result = ocr.ocr('multilang_doc.png')

# PP-OCRv5会自动识别不同语言并正确输出
for line in result[0]:
    print(line[1][0])  # 输出各语言文字