[!info] related notes

• 相关: 光学字符识别 OCR, deepseek-ocr

OCR 文字识别管线设计

技术选型

方案	优点	缺点	适用
pytesseract	轻量、离线	中文准确率一般	MVP、印刷体
PaddleOCR	中文识别好	依赖大	中文场景
DeepSeek-OCR / VLM	理解结构	需要 API、成本高	复杂文档
云服务（阿里/腾讯）	准确率最高	有成本	生产环境

处理流程

文件上传 → 判断类型（图片/PDF）
  → 图片：预处理 → OCR
  → PDF：提取文本（有则直接用）→ 渲染为图片 → OCR
  → 纯文本 → 结构化提取（正则或 LLM）

图像预处理

def preprocess(img):
    img = img.convert("L")           # 灰度
    img = img.point(lambda x: 0 if x < 128 else 255)  # 二值化
    img = img.filter(ImageFilter.MedianFilter(3))      # 去噪
    if img.width < 1000:
        ratio = 1000 / img.width
        img = img.resize((int(img.width*ratio), int(img.height*ratio)))  # 放大
    return img

PDF 两种类型

• 文本 PDF：page.get_text() 直接提取（快、准）
• 扫描件 PDF：渲染为图片再 OCR（慢、需要高 DPI）

结构化提取

OCR 输出纯文本，需要进一步提取结构化信息。简单场景用正则：

bmi = re.search(r'BMI[：:\s]*(\d+\.?\d*)', text)

复杂场景交给 LLM：把 OCR 文本作为 prompt 的一部分，让 LLM 提取结构化数据。

准确率

场景	pytesseract	PaddleOCR
印刷体中文	高	高
手写	低	中
表格	中	中
模糊图片	低	中

设计要点

1. OCR 是降级方案 — 能让用户直接输入就不要依赖 OCR
2. 预处理比模型更重要 — 灰度、二值化、放大对准确率影响很大
3. 纯文本 PDF 不需要 OCR — 先检查能不能直接提取文字
4. 结构化提取用 LLM — 正则只适合简单模式，复杂的交给 LLM