[!info] related notes

• 所属 MOC: Python MOC
• 相关: 光学字符识别 OCR, deepseek-ocr, umi-ocr

OCR 文字识别管线设计

技术选型

方案	优点	缺点	适用
pytesseract + Tesseract	可离线、Python 接口简单	pytesseract 是包装器，仍需安装 Tesseract 引擎与对应语言数据	印刷体、已有本地 OCR 工作流
PaddleOCR	提供多语言与文档处理组件	模型、运行时和部署成本随版本而异	需要本地文字检测/识别或文档组件的场景
DeepSeek-OCR / VLM	可结合文字与版面输出	可本地或通过服务部署；资源成本、漏字和生成错误需评估	复杂文档的候选方案
云服务（阿里/腾讯等）	托管 API，减少本地模型运维	计费、网络与数据传输要求；准确率需同样本比较	可接受云端处理且接口符合需求的场景

处理流程

文件上传 → 判断类型（图片/PDF）
  → 图片：预处理 → OCR
  → PDF：按页/区域检查文本层
      → 文本可用：直接提取
      → 缺失或质量不足：渲染对应页/区域 → OCR
  → 纯文本 → 结构化提取（正则或 LLM）

图像预处理

from PIL import Image, ImageOps


def preprocess(img: Image.Image, threshold: int | None = None) -> Image.Image:
    # 返回处理后的图，保留原图供对比；先按 EXIF 矫正方向。
    result = ImageOps.exif_transpose(img).convert("L")
    if threshold is not None:
        if not 0 <= threshold <= 255:
            raise ValueError("threshold must be between 0 and 255")
        result = result.point(lambda value: 0 if value < threshold else 255)
    return result

上述函数依赖 Pillow，只演示方向矫正、灰度与可选阈值；不包含 OCR 调用。二值化、滤波或放大都可能损伤细字与颜色信息，不能保证提高识别率，应与原图结果比较。

PDF 文本层与扫描区域

• 有可用文本层时可用 PyMuPDF 的 page.get_text()；仍须检查编码、阅读顺序和区域完整性。
• 同一 PDF 甚至同一页可同时包含文本和扫描区域；不能因提取到少量文本就跳过所有图片区域。
• 需要 OCR 的页/区域再渲染；分辨率在细字可读性、内存和耗时之间选择，高 DPI 不自动恢复原图丢失的细节。

结构化提取

OCR 输出可能包含文本、坐标和结构；字段提取应保留页码/区域与原文证据。以下只从简单模式中提取 BMI 候选值：

import re

text = 'BMI：23.5'
bmi = re.search(r'\bBMI\s*[：:]?\s*(\d+(?:\.\d+)?)(?![\d.])', text, re.IGNORECASE)
print(bmi.group(1) if bmi else None)  # 23.5

复杂格式可尝试规则、专用文档模型或 LLM；输出仍需 schema/范围校验并回查原文。文档文本是待处理数据，其中的指令不能改变提取器的规则或权限。

准确率

没有固定样本集、版本与配置时，不给工具排“高/中/低”准确率。用目标文档的标注集分别检查：

• 文字：字符/词错误率，关键数字的逐字段正确率。
• 版面：阅读顺序、表格单元格对应关系与页码定位。
• 系统：单页耗时、内存、失败率和人工复核量。

手写、倾斜、模糊与混合语言应单独分组，避免平均指标掩盖关键失败。

设计要点

1. 可直接获得可靠文本时优先复用；扫描文档则以 OCR 为主要输入路径。
2. 保留原文件和预处理参数，依据样本选择是否二值化/去噪。
3. 按页与区域决定是否 OCR，避免重复文字或漏掉扫描区域。
4. 字段结果保留来源，低置信度或相互矛盾的值进入复核。

参考：pytesseract、Pillow ImageOps、PyMuPDF OCR。