中文OCR双引擎技能 v2.0#

双引擎： PaddleOCR 通用文档OCR + RapidOCR 手写体特化，按场景自动/手动切换

引擎分工#

场景推荐引擎理由印刷体文档、合同、报表--engine paddlePaddleOCR中文印刷体识别率最高手写体、日期、签名、工号--engine rapidRapidOCR手写数字/文字准确率更高混合文档（印刷+手写）--engine auto自动检测内容类型切换不确定用哪个--engine both双引擎交叉验证，取置信度高者

快速开始#

bash

# 手写体日期提取（默认RapidOCR）
python scripts/ocr_date_extractor.py 文档.pdf

# 指定引擎
python scripts/ocr_date_extractor.py 文档.pdf --engine rapid
python scripts/ocr_date_extractor.py 文档.pdf --engine paddle
python scripts/ocr_date_extractor.py 文档.pdf --engine both

# 提取特定区域手写文本
python scripts/ocr_rapid.py 文档.pdf --date-mode
python scripts/ocr_rapid.py 文档.pdf --signature-mode

核心脚本#

ocr_date_extractor.py — 日期提取引擎#

text

python scripts/ocr_date_extractor.py 文档.pdf [--engine rapid|paddle|both|auto]

四层流水线：

1. 动态日期行定位
2. 选定引擎OCR
3. 智能值域校验
4. 文档上下文推断

ocr_rapid.py — 手写体区域提取#

bash

python scripts/ocr_rapid.py 文档.pdf --date-mode --engine paddle
python scripts/ocr_rapid.py 文档.pdf --region 0.1 0.4 0.9 0.6 --engine both

ocr_batch.py — 批量处理#

bash

# 批量处理目录下所有PDF
python scripts/ocr_batch.py --batch-dir ./pdfs --engine auto

# 双引擎交叉验证
python scripts/ocr_batch.py --batch-dir ./pdfs --engine both --json -o results.json

引擎对比#

指标PaddleOCR 2.8RapidOCR 1.4印刷体中文⭐⭐⭐⭐⭐⭐⭐⭐⭐手写体数字⭐⭐⭐⭐⭐⭐手写日期完全正确率20%60%手写日期部分识别率60%90%+首次加载慢（下载模型）快（缓存）速度3-5s/页2-3s/页安装包200MB+模型55MB

自动引擎选择逻辑 ( --engine auto)#

text

1. 全页低分OCR快速分析内容类型
2. 检测到"年/月/日"等日期关键字 → RapidOCR
3. 检测到大量印刷体文字 → PaddleOCR
4. 混合内容 → both（双引擎交叉验证）

参数参考#

参数说明--engine rapid|paddle|both|autoOCR引擎选择--jsonJSON格式输出-p, --pages指定页码(1-based)--region X1 Y1 X2 Y2自定义区域(百分比0-1)--batch批量处理目录--dpiOCR分辨率(默认400)

依赖#

bash

pip install rapidocr-onnxruntime    # 手写体引擎（已安装 ✅）
pip install paddleocr paddlepaddle  # 文档OCR引擎（已安装 ✅）

已知问题#

• PaddleOCR 3.x + PaddlePaddle 3.x 存在 OneDNN 兼容问题，当前使用 2.x 版本
• 首次启动 PaddleOCR 需下载模型（~18MB）
• RapidOCR 多次调用可能产生进程残留，需定期清理