甄宝园
单位档案室里有一批九十年代的会议纪要，纸已经发黄，早些年扫成了PDF。领导要我在里面找某个项目的批复，我说好，然后打开PDF，发现全是图片，一个字都选不中。
这就是OCR要解决的问题。工具不少，但中文是个坎。英文只有二十六个字母加符号，认错了上下文能猜；中文常用字六千多个，形近字一堆，己已巳、戊戌戍、未末差一笔就是一个字，再加上竖排、印章、表格线、手写，通用OCR经常整段崩掉。
PaddleOCR是百度飞桨团队做的开源OCR工具库，Apache协议，GitHub上九万一千多星。它的定位不是「一个识别网站」，是一套能自己部署的引擎。
最新一版是PP-OCRv6。官方说法是中等规模模型在检测上比上一代提升4.6%、识别提升5.1%，参数量只有三千四百五十万，却超过了几个参数量大得多的视觉大模型。这个数字我一开始不太信，直到在自己那批扫描件上试了一遍——竖排的老式公文，识别率明显高过我之前用的商业接口。
它认的不只是印刷体。中文手写、中英混排、表格、公式、竖排、身份证、票据、车牌，都有对应的模型。表格识别的PP-StructureV3能把一张有合并单元格的财务报表还原成结构化表格，不只是把字认出来，是把行列关系也认出来。一页扫描报表手动录入要半小时，它几秒钟给出Excel。
部署方式有几种：装个pip包跑命令行，起一个HTTP服务给别的程序调，或者用Docker镜像。模型有几兆的轻量版，CPU就能跑；也有精度更高的服务版，需要显卡。这意味着它能装在没网的机器上——档案室那种环境，数据不能出内网，这一点很关键。
我用它做了两件事。一件是把那批会议纪要全过了一遍，转成可搜索文本，现在找批复直接Ctrl+F；另一件是给家里老人扫描的体检报告做结构化，把各项指标和参考范围提出来，做成一张随时间变化的表。
该说的不足。安装依赖PaddlePaddle框架，环境配起来对新手不友好，Windows上尤其容易卡在编译；精度和速度要自己权衡，轻量模型快但错字多，服务版准但吃显存；复杂版面仍会错行；最重要的是它是个工具库，不是产品，没有一键安装的客户端，不懂命令行的用户上手有门槛。
但换个角度看，这也正是它的意义。文字识别过去被锁在几家公司的接口里，按次收费，数据还要传出去。有人把它做成开源模型，压到几兆，让一台普通电脑就能跑，档案室的老纸才有可能变成能检索的数据。
