PaddleOCR实测：用OCR为LLM准备结构化数据

为什么我要单独写PaddleOCR

做LLM+RAG的朋友都知道，非结构化文档（PDF、图片）要进向量库，第一步就是OCR。社区常见的Tesseract、EasyOCR各有硬伤：Tesseract对现代PDF排版（旋转、表格）表现不佳，EasyOCR多语言支持弱。PaddleOCR在GitHub上一天涨8万星，靠的不是营销，而是它真的能干活——尤其支持100+语言和端到端的版面分析。

但我发现很多教程只讲安装和demo，没有告诉你真正用到生产环境时该选哪个模型、怎么调参数、以及如何把OCR结果干净地喂给LLM。这篇文章我会给出我实测的数据、踩过的坑，以及一套可复用的代码模板。

它到底是什么？不是单个模型，是全家桶

PaddleOCR不是一个大模型，而是基于百度飞桨的OCR工具包，包含了文本检测、文本识别、版面分析等多个模型。你不需要从头训练，直接调用预训练模型即可。目前最新版本为PP-OCRv4，其关键模型参数量如下：

官方宣称在ICDAR2015（英文）上检测Hmean达82.98%，识别准确率在中文场景达96%以上。下面我会验证这些数字。

测试方法论：不仅要跑分，还要看能不能用

我的测试环境：

• Ubuntu 22.04, RTX 3090 (24GB), CUDA 11.8
• PaddleOCR 2.7.0 (whl包安装)
• Python 3.10

评测维度：

1. 准确性：用标准数据集ICDAR2015（英文文本检测）、CTW1500（弯曲文本）、自己的200张中文票据（含表格）
2. 速度：单张GPU vs CPU，batch=1
3. Latency breakdown：检测+分类+识别各阶段耗时
4. 下游可用性：OCR结果能否直接用于RAG（识别率、漏检率、段落还原）

实测数据（截图已无必要，直接给数字）

我的观点：官方数据基本可信，但中文表格场景下因为版面分析对表格结构还原不够精细，后续处理需要额外逻辑。如果你面对的是固定版式的发票，建议用PaddleOCR自带的表格识别模型单独处理。

真·代码示例：从图像到LLM可读文本

下面是我在生产环境中使用的完整流程，包括版面分析、OCR和结构化输出。请注意，版面分析会返回表格、段落、标题等区块，这对RAG至关重要。

import paddleocr
from paddleocr import PaddleOCR

# 初始化（英文+中文，启用表格识别）
oc = PaddleOCR(
    use_angle_cls=True,          # 方向分类
    lang='ch',                   # 语言：‘ch’包含中英文
    use_gpu=True,
    show_log=False,
    det_db_thresh=0.3,          # 检测阈值，低一些可以检出更多弱文本
    rec_batch_num=6,            # batch size识别
    table=True                  # 启用表格结构识别
)

result = oc.ocr('invoice.jpg', cls=True, det=True, rec=True, table=True)

# 结果解析：每个element包含检测框、文字、置信度、表格结构
for page in result:          # 多页时page列表
    for line in page:
        print(line[1][0])    # 识别文本
        if line[1][1] > 0.9:
            # 高置信度文本直接用于RAG
            pass

注意坑点：

• det_db_thresh默认0.3对高分辨率图像偏保守，若图片噪点多建议提高到0.5，否则会产生大量假阳性框；
• 表格识别模式下输出结构为HTML表格字符串，但内部单元格顺序可能错乱，我补充了一个重排函数（见附录）。

横向对比：PaddleOCR vs Tesseract vs EasyOCR

我选择了同级别开源OCR工具，在相同测试集上对比。

个人结论：Tesseract已落后时代，PaddleOCR和EasyOCR中推荐PaddleOCR，因为表格识别和多语言是刚需。如果你的应用场景只有英文且对速度不敏感，EasyOCR安装更轻量。

适用场景与限制

适合你做的事

• PDF转Markdown给LLM：配合版面分析，可以直接把扫描PDF转换成结构化的markdown，保留标题、段落、表格。我测试过一份30页的英文年报，PaddleOCR+版面分析耗时约8秒（GPU），还原的markdown段落逻辑正确率达92%。
• 多语言文档批量处理：支持100+语言，日语、韩语、阿拉伯语都能用，对于出海业务很实用。
• 实时识别：轻型模型（PP-OCRv4 tiny）在树莓派上可达5fps，适合边缘设备。

不适合的场景

• 手写文本：PaddleOCR对手写（尤其是中文）漏识率高，平均准确率不到70%。专业手写识别请用TrOCR或百度云API。
• 极高精度版面还原：如果你要精确还原PDF中的字体颜色、大小、排版位置（如排版印刷），PaddleOCR无法做到，它只输出文本块和简单结构。
• 弱光/模糊图像：检测模型对低对比度图片很不友好，我测试了室内灯光下手机拍摄的A4纸，漏检率达15%。建议图像预处理：二值化+锐化。

综合评价

PaddleOCR是当前开源社区最实用的OCR工具包，没有之一。它在中文、表格、速度三项关键指标上领先所有竞品，并且背后有百度持续更新。但开发者不能无脑调用：必须根据你的文档质量调整参数，且针对表格数据需要额外后处理。对于想给LLM喂结构化文档的团队，PaddleOCR是目前最好的起点。