百度开源OCR文档解析工具，支持PDF/扫描件结构化提取表格、公式LaTeX、图表、多栏排版，输出Markdown/JSON，适用于财报、论文、发票等复杂文档。
说明：
## 核心用法
PaddleOCR Document Parsing 是基于百度飞桨PaddlePaddle生态的开源文档解析技能，专精于从复杂PDF和文档图像中提取结构化内容。用户通过CLI调用`paddleocr api –model_type doc_parsing`，支持本地文件路径或URL输入，输出包含Markdown文本、LaTeX公式、表格结构、图表资源的JSON结果。
关键参数包括：指定PP-StructureV3等模型版本、页码范围筛选、禁用预处理加速（针对平整文档）、美化Markdown输出格式。提取结果按页组织，包含`markdownText`主内容、`markdownImages`内嵌图片链接、以及`outputImages`版面分析可视化图。
## 显著优点
1. **版面还原精准**：PP-StructureV3模型针对中文文档优化，支持多栏排版识别、阅读顺序校正、页眉页脚过滤
2. **公式图表全提取**：数学公式输出LaTeX代码，图表与印章作为独立资源保存，表格保留单元格级结构
3. **预处理智能**：自动检测文档弯曲、透视畸变、旋转角度，对照片拍摄文档有专门矫正流程
4. **开源可定制**：Apache-2.0协议，支持本地部署与API双模式，生态成熟（GitHub 40k+ stars）
5. **中文场景优势**：针对中文竖排、繁体、手写体及复杂表格线条有专门优化
## 潜在局限
– **依赖网络/API配额**：官方CLI模式需`PADDLEOCR_ACCESS_TOKEN`，存在速率限制和配额消耗
– **复杂版式误检**：极端密集表格、艺术字体、低质量扫描件可能出现结构错乱
– **公式准确性**：复杂数学表达式LaTeX转换需人工校验，多行公式对齐偶有偏差
– **隐私合规风险**：敏感文档上传至百度官方API存在数据出境隐患，企业场景建议私有化部署
## 适合人群
– 财务/审计人员批量处理发票、财报、银行流水
– 科研人员提取学术论文中的公式与参考文献
– 档案数字化团队进行历史文档结构化归档
– 开发者构建RAG知识库、文档问答系统的数据预处理管道
## 常规风险
**数据安全**：官方API传输可能经过百度服务器，含敏感信息的文档需评估合规性；**token泄露**：`PADDLEOCR_ACCESS_TOKEN`硬编码或日志泄露会导致配额被盗用；**输出验证**：关键业务场景（如财务核算）必须人工复核表格数值与公式准确性，不可直接作为唯一数据源。
| 维度 | 评级 | 说明 |
|:—|:—|:—|
| 功能完整性 | ????? | 表格/公式/图表/版面全覆盖 |
| 中文支持 | ????? | 国产方案，中文场景最优 |
| 易用性 | ????☆ | CLI简洁，但参数较多需学习 |
| 私有化部署 | ????☆ | 支持，但需GPU资源与运维能力 |
| 成本可控性 | ???☆☆ | 免费额度有限，大规模调用成本上升 |
会员专属
