PaddleOCR
概述
PaddleOCR 是百度飞桨（PaddlePaddle）开源的 OCR（光学字符识别）工具，以强大的中文识别能力著称，是 MinerU OCRBased 管道的核心文字识别引擎。Apache-2.0 许可。
关键内容
在 MinerU 中的角色
OCR 在 MinerU 里按需激活，而非全程使用：
- 文字型 PDF（TextBased 管道）：PyMuPDF 直接提取文字 Span，OCR 仅用于图注区域、表格内文字、公式周边等特殊区域
- 扫描件 PDF（OCRBased 管道）：整页 OCR，所有文字都靠识别，PyMuPDF 只提供图像
- 混合 PDF（Mixed 管道）：逐个布局框判断，有文字层直接提取，无文字层走 OCR
这个设计非常精明：对于文字型 PDF，PyMuPDF 的精确坐标远优于 OCR 识别结果，没有必要浪费计算资源。
技术优势对比
| 维度 | PaddleOCR | Tesseract | EasyOCR | TrOCR |
|---|---|---|---|---|
| 中文识别 | ✅ 极强，专门优化 | ⚠️ 一般 | ✅ 较好 | ⚠️ |
| 速度 | ✅ 快（PP-OCR 轻量级） | 中 | 慢 | 极慢 |
| 检测+识别一体 | ✅ | ⚠️ | ✅ | ✅ |
| 版式理解 | ✅ PP-Structure | ❌ | ❌ | ❌ |
| 开源协议 | Apache-2.0 | Apache-2.0 | Apache-2.0 | MIT |
| 工业验证 | ✅ 阿里/京东等 | ✅ | ⚠️ | ⚠️ |
对于 MinerU 最重要的场景——中文学术论文/教材扫描件，PaddleOCR 有无可比拟的优势。
PP-OCRv4 系统组件
MinerU 主要使用 PaddleOCR 的 PP-OCRv4 系列，包含三个子模块：
- 文字检测（Detection）：DBNet++ 变体，输入图像，输出文字区域的多边形轮廓
- 文字方向分类（Direction Classification）：输入检测到的文字图像块，输出 0°/90°/180°/270°
- 文字识别（Recognition）：SVTR（Scene Text Recognizer），输入矫正后的文字行图像，输出文字字符串 + 置信度
OCR 流水线
完整的 OCR 处理流程：
- 文字区域检测（DBNet++）：基于可微分二值化，输出概率图 → 自适应阈值二值化 → 轮廓提取 → 多边形文字框。多边形而非矩形框能更精确地框定倾斜的文字行
- 透视变换矫正：将检测到的文字多边形通过透视变换矫正为水平的矩形图像（高度固定 48px）
- 文字识别（SVTR）：CNN + Transformer 混合特征提取 → 序列特征 → CTC解码 → 文字字符串
中文 OCR 的特殊挑战与解法
- 字符集规模：中文常用字 3500+，完整字符集 70000+。PaddleOCR 使用包含 6763 个常用汉字的字符集（GB2312 标准），覆盖 99% 以上常用场景
- 字形相似度：大量形近字（己/已/巳，戊/戌/戍）。通过大规模训练数据、形近字混淆样本、语言模型后处理解决
- 中英混排：使用统一字符集，同时包含中文和英文字符，不需要先判断语言再切换模型
- 垂直排版：方向分类器先识别文字方向，再旋转 90° 送入识别模型
MinerU 中的关键优化
- 区域裁剪 OCR：不对整页做 OCR，只对特定布局框内的区域做 OCR，速度从 2~5 秒/页降至 0.1~0.5 秒/区域，提升 10×+
- 两路 Span 融合：优先使用 PyMuPDF native spans（精度更高），OCR spans 仅用于未覆盖的区域，通过 IoU > 0.3 判断重叠
- 质量过滤：置信度阈值（默认 0.5）、乱码检测（特殊字符比例 > 0.3）、空白行和极短文本过滤
来源
- raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇
- raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎