OpenCode + PaddleOCR：AI 帮你写批量 OCR 脚本，真的太省事了

对于图片、PDF 转文字这件事，之前一直用的方案是：

要么付费软件，每个月固定成本，有些场景还不方便；要么 AI 转换，截图发给大模型，等它回复，再复制出来。一两张还行，遇到一二十张的时候就麻烦了——来回折腾的时间比手工录入还多。

直到实测了一下 PaddleOCR，效果出乎意料。然后用 OpenCode 开发了一个网页小工具，上传图片/PDF，一键识别，结果直接复制，或者下载成 .md 文件。最小闭环跑通了，后续在项目里需要 OCR 的地方可以直接复用，不用再调用付费服务了。

先搞清楚：PaddleOCR 是什么

光看名字容易误以为它只是个 OCR 引擎，实际上它已经是文档 AI 基础设施了。

来看核心数据（来源：GitHub API，2026-05-24）：

维护者是百度飞桨团队，GitHub 主页 paddlepaddle/PaddleOCR。

它能做什么

PaddleOCR 已经不是单纯的"文字识别"工具了，而是智能文档解析全家桶：

通用文字识别（PP-OCRv5）
- 支持 100+ 语言，中英日韩俄阿泰等全覆盖
- 移动端/服务端都高效，支持 CPU/GPU/NPU 多硬件
- v5 版本比上一代提升 13% 准确率

文档结构解析（PP-StructureV3）
- 直接输出 Markdown 或 JSON
- 表格识别、公式识别、版面分析
- PDF 转 Markdown，一键搞定

视觉语言大模型（PaddleOCR-VL-1.5）
- 0.9B 参数的 VLM 模型
- 在 OmniDocBench 达到 94.5% 准确率
- 专门应对弯曲、扫描、屏幕拍照、光照不均、倾斜等复杂场景
- 输出格式为 Markdown 或 JSON，天然适配 RAG 应用

官方口号已经变成 "Turn any PDF or image document into structured data for your AI"，定位很清晰——给 LLM 喂数据的工具。

大模型已经能看懂图片，为什么还需要 OCR？

这是一个很好的问题。现代多模态大模型（如 GPT-4V、Claude Vision）确实能够理解图片中的文字，但 OCR 开源项目在以下场景仍有不可替代的价值：

场景一：需要提取结构化文本

大模型输出：
"这张图片包含一段关于人工智能的描述..."

OCR 输出：
"人工智能（Artificial Intelligence）...
是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新兴技术科学。"

大模型给出的是理解性描述，OCR 给出的是逐字提取的原始文本，可以直接复制、搜索、编辑。

场景二：大规模文档处理

对于企业内部的敏感文档（合同、财务报表、医疗记录），本地 OCR 是唯一合规选择。

场景三：批量自动化流水线

# OCR 可以无缝接入现有自动化流程
for pdf_file in pdf_list:
    text = ocr_process(pdf_file)
    save_to_database(text)           # 存入数据库
    send_to_translation_api(text)    # 触发翻译
    index_to_search_engine(text)     # 索引搜索引擎

场景四：离线与边缘部署
- 嵌入式设备、物联网终端
- 内网隔离的政务系统
- 完全没有网络连接的环境

核心价值总结：

✓ 精确文本提取 - 不是"理解图片"，而是"复制文字"
✓ 完全隐私保护 - 数据不出本地服务器
✓ 批量自动化处理 - 大规模文档数字化的基础设施
✓ 零边际成本 - 一次部署，无限次使用
✓ 可定制训练 - 根据业务场景优化识别效果

PaddleOCR vs Tesseract：选哪个

这是两个最主流的开源 OCR 方案放在一起对比：

简单结论：
- 纯文字提取 + 快速上手 → Tesseract（装完就能用）
- 复杂文档（表格、印章、多语言混合、中文为主）→ PaddleOCR
- 想让 OpenCode 帮你写代码 → 两者都行，PaddleOCR 中文场景更强

OpenCode 怎么配合 PaddleOCR

为什么需要 OpenCode

PaddleOCR 本身很强大，但实际用起来有几个绕不开的问题：

1. 参数配置复杂
   ——PP-OCRv5、PP-StructureV3、PaddleOCR-VL 三个系列各有各的参数体系
2. 批量处理脚本要自己写
   ——官方示例都是单图演示，批量跑要自己拼逻辑
3. PDF 处理要结合其他库
   ——PyMuPDF、pdf2image 等工具链要自己组装
4. 结果后处理
   ——识别完了还要清洗、整理、导出

这些问题对于会写 Python 的人不算难，但：

• 每次换新项目都要重新查文档
• 不同文档类型要调不同参数
• 批量处理逻辑容易出 bug

OpenCode 解决的问题是：这些它都能帮你写，你只需要描述需求。

OpenCode 的完整处理流程

OpenCode 接到需求后会按 5 个步骤处理：

1. 需求分析 → 确定技术栈（Flask + PaddleOCR）
2. 设计架构 → 前端上传 → 后端 API → OCR 引擎 → 返回结果
3. 编写代码 → 生成 paddleocr_api.py、index.html
4. 解决难点 → PDF 跨平台处理方案（pypdf + PIL 而非 pdf2image）
5. 整理文档 → README、技术解读

你不需要写一行代码，只需要描述需求和确认方向。

架构是什么样的

┌──────────────────────────────────────────────────────────────┐
│                        OpenCode                              │
│                    （AI 编程助手）                           │
│                                                              │
│   开发者 ──→ OpenCode ──→ 生成 OCR 代码                       │
│                │        (paddleocr_api.py)                   │
│                │                                              │
│                └──→ 分析代码 ──→ 调试 ──→ 完成                │
└──────────────────────────────────────────────────────────────┘
                           │
                           ▼
┌──────────────────────────────────────────────────────────────┐
│                    DocuScan 应用                             │
│                                                              │
│   前端(浏览器)  ←→  Flask API  ←→  PaddleOCR 引擎             │
│                                                              │
│        index.html  ←→  paddleocr_api.py  ←→  文字识别        │
└──────────────────────────────────────────────────────────────┘

图片 OCR 流程

用户上传图片 (PNG/JPG)
       │
       ▼
┌─────────────────┐
│  Flask 接收文件  │  ←  multipart/form-data 上传
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  保存到临时目录  │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ PaddleOCR 识别  │  ←  ocr = PaddleOCR(lang="ch")
│  返回文字列表    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ 构建 Markdown   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ 返回 JSON 响应  │  ←  {"success": true, "text": "...", "stats": {...}}
└─────────────────┘

PDF OCR 流程（跨平台方案）

PDF 处理比图片复杂一点，因为 PDF 里的内容可能是文本层（直接可提取），也可能是嵌入图片（需要先 OCR）。

OpenCode 生成的方案用了 pypdf + PIL，而不是 pdf2image——原因是 pdf2image 需要安装 poppler 依赖，在 Windows 上需要手动配置环境变量，对普通用户不够友好。pypdf + PIL 是纯 Python 方案，跨平台兼容更好。

用户上传 PDF
       │
       ▼
┌─────────────────┐
│  pypdf 读取 PDF  │  ←  PdfReader(pdf_path)
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ 尝试提取文本层  │  ←  page.extract_text()
└────────┴────────┘
         │
    有文本？
    ├─ 是 → 直接使用文本
    └─ 否 → 提取嵌入图片
         │
         ▼
┌─────────────────┐
│ 提取 XObject    │  ←  遍历 page["/XObject"]
│  中的嵌入图片   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ PIL 转换为 PNG  │  ←  Image.open(io.BytesIO(img_data))
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ PaddleOCR 识别  │  ←  ocr_image(temp_img_path)
│  临时图片文件   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ 返回 Markdown   │
└─────────────────┘

这套方案的关键决策点是 OpenCode 帮你做的——它权衡了跨平台兼容性和实现复杂度，最终选了 pypdf + PIL。这个决策本身就有价值，省去了你自己踩坑的时间。

实际跑一遍：用 OpenCode 网页工具识别 DeepSeek 降价信息图

这里演示用 OpenCode 开发的网页工具识别一张 DeepSeek 降价信息图的效果：

操作步骤：
1. 打开网页工具
2. 上传 DeepSeek 降价信息图（截图、PPT 导出图片等均可）
3. 点击识别，等待几秒
4. 结果直接显示在网页上，可一键复制，也可下载为 .md 文件

不同场景怎么选

场景一：发票、合同等固定格式文档
- 推荐：PP-StructureV3
- 理由：直接输出表格结构，字段位置相对固定
- 参数：table=True, use_doc_analysis=True

场景二：身份证、营业执照等证件
- 推荐：PP-OCRv5 + 关键字段检测
- 理由：文字区域明确，适合单字段定位
- 参数：det_model_dir 指定检测模型

场景三：复杂排版的合同、协议
- 推荐：PaddleOCR-VL-1.5
- 理由：VLM 模型理解版面结构，Markdown 输出
- 参数：rec_model 选择 PaddleOCR-VL 系列

典型应用场景

安装配置速查

环境准备

# 创建虚拟环境（推荐）
python -m venv paddle_ocr_env
source paddle_ocr_env/bin/activate  # Linux/Mac
# paddle_ocr_env\Scripts\activate  # Windows

# 安装 PaddlePaddle（CPU 版本）
pip install paddlepaddle

# 安装 PaddleOCR
pip install "paddleocr>=2.7.0"

GPU 加速版本（需要 NVIDIA 显卡）：

pip install paddlepaddle-gpu

快速试用（单图片识别）

from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('invoice.png')

for line in result[0]:
    print(line)

批量处理脚本

from pathlib import Path
from paddleocr import PaddleOCR
import json

def batch_ocr(image_dir, output_file):
    ocr = PaddleOCR(use_angle_cls=True, lang='ch')
    image_files = list(Path(image_dir).glob("*.png")) + \
                  list(Path(image_dir).glob("*.jpg"))

    all_results = []
    for img_path in image_files:
        result = ocr.ocr(str(img_path))
        all_results.append({
            "file": str(img_path),
            "text": [line[1][0] for line in result[0]]
        })

    with open(output_file, 'w', encoding='utf-8') as f:
        json.dump(all_results, f, ensure_ascii=False, indent=2)

batch_ocr('./images', 'ocr_results.json')

语言参数参考

# 中文（默认）
ocr = PaddleOCR(lang="ch")

# 英文
ocr = PaddleOCR(lang="en")

# 日文
ocr = PaddleOCR(lang="jp")

# 韩文
ocr = PaddleOCR(lang="ko")

# 法文
ocr = PaddleOCR(lang="fr")

# 德文
ocr = PaddleOCR(lang="de")

扩展方向

写在最后

用 OpenCode + PaddleOCR 做文档识别流水线，本质上是让 AI 帮你写胶水代码。

PaddleOCR 本身已经把 OCR 的事情做到了 90 分——100+ 语言支持、表格/公式/版面分析、GPU 加速。剩下 10 分就是把它跟你的业务接起来：文件读取、批量处理、结果清洗、格式转换。

这 10 分以前要花不少时间查文档、写调试，现在告诉 OpenCode 你的需求就行。

你在用 PaddleOCR 吗？遇到过什么坑？评论区聊聊。