基于 PaddleOCR 的开源文字识别工具，支持中英双语，可从扫描 PDF 和图片中提取文字，适合发票、合同等文档数字化。
说明：
## 核心用法
OCR Skill 基于百度开源的 PaddleOCR 引擎，提供图片与 PDF 文档的文字识别能力。核心用法包括：
1. **直接识别**：对 JPG/PNG 等图片文件调用 `ocr.predict()` 获取文本
2. **PDF 处理**：先用 PyMuPDF 提取扫描页为图片，再执行 OCR
3. **多页文档**：遍历 PDF 逐页提取，适合批量处理合同、发票等
### 技术实现
– 依赖 `paddlepaddle` + `paddleocr` 两个 Python 包
– 返回 JSON 格式结果，包含识别文本（`rec_texts`）和置信度（`rec_scores`）
– 默认中文模型（`lang=’ch’`），支持中英混合场景
## 显著优点
| 维度 | 说明 |
|——|——|
| 开源生态 | PaddleOCR 为百度开源项目，社区活跃，模型持续迭代 |
| 中文优化 | 针对中文排版、字体有专门训练，识别准确率优于通用 OCR |
| 离线运行 | 本地推理，无需上传敏感文档至云端，隐私可控 |
| 成本低 | 零 API 调用费用，适合高频批量处理 |
## 潜在局限
1. **硬件门槛**：PaddlePaddle 对 GPU 支持较好，CPU 环境下推理速度较慢
2. **环境依赖**：需安装约 500MB+ 的深度学习框架，首次部署较重
3. **版式敏感**：复杂表格、手写体、低分辨率扫描件识别率下降
4. **无内置 PDF 解析**：需额外搭配 PyMuPDF 等工具提取图像
## 适合人群
– **财务/行政人员**：发票、报销单批量录入
– **法务/档案管理**：合同、协议电子化归档
– **开发者**：需集成离线 OCR 的自动化流程
– **研究者**：处理扫描版论文、古籍等文献
## 常规风险
– **信息泄露风险低**：本地处理，但需注意 PaddleOCR 可能触发自动下载模型文件
– **准确性校验**：关键数据（如金额、日期）需人工复核，置信度分数仅作参考
– **版权合规**：提取他人文档内容需确保合法授权
– **依赖维护**：PaddlePaddle 版本更新可能引入兼容性问题
会员专属
