OCR(光学字符识别)

Kinger2026/7/23大约 4 分钟

OCR 全称是 Optical Character Recognition（光学字符识别）。

简单来说，OCR 是一种将“图片里的文字”物理转换为“计算机可以编辑、复制和检索的纯文本”的技术。 它的核心物理任务就是让机器“看懂”图像中的视觉像素符号，并将其映射为计算机底层的标准字符编码（如 UTF-8）。

在传统互联网和当今的 AI 大模型（RAG / 知识库数据清洗）领域，OCR 都是不可或缺的底层基础设施。

传统 OCR 引擎（如经典的开源库 Tesseract，或者各大云厂商的印刷体识别接口）在后台处理一张图片（如发票扫描件、路牌照片）时，通常要走完以下四个硬核步骤：

前置图像预处理（Pre-processing）：
刚输入的图片可能存在歪斜、暗光或噪点。OCR 引擎第一步会进行二值化处理（Binarization，把彩色图变成纯黑白二色图）、去噪点、以及几何校正（倾斜旋转矫正），物理调高文字与背景的对比度。
版面分析与文字检测（Layout Analysis & Text Detection）：
算法需要先找出“字在哪里”。通过检测图像中的边缘特征，定位出一个个包含文字的物理矩形框（Bounding Box，简称 BBox），把文本行从背景中隔离出来。
字符识别（Text Recognition）：
针对切出来的文字行图片，提取几何特征或利用卷积神经网络（CNN）对每一个像素块进行概率打分，判断这个图形到底对应哪一个字母或汉字。
后置语言校正（Post-processing）：
由于单纯看图容易看错（比如把 l 认成 1），OCR 系统通常会挂载一个轻量级语言模型（N-gram），结合上下文词汇表进行纠错（比如如果前两个字是“计算”，那第三个图形概率上更有可能是“机”而不是“肌”）。

如果你关注当下的大模型（LLM）与 RAG 知识库管道，你会发现 传统 OCR 正在被“原生多模态大模型（Native Multimodal Models）”全面降维打击和跨代融合。

面对复杂的论文、排版多变的技术白皮书，传统 OCR 是“盲人摸象”。它虽然能认出单字，但它看不懂双栏排版、看不懂复杂的公式矩阵、更无法还原表格的行列对应关系。最终提取出的文本往往顺序错乱、逻辑穿行，直接导致下游的 RAG 向量检索（Embedding）彻底报废。

现在的 RAG 前端数据提取工程（如大名鼎鼎的 MinerU、Marker 或是 Qwen-VL 视觉模型），不再使用死板的字形比对，而是使用端到端的多模态网络（VLM）：

做法：直接把一整页 PDF 或图片当成“像素序列”喂给视觉大模型。
物理效果：模型不仅能瞬间“读出”里面的文字，还能直接把图片无损编译成包含完美排版排布的 Markdown 源码。图表会被自动剥离，公式会被当场翻译成标准的 LaTeX 表达式（如 $E=mc^2$ ），双栏布局会被自动理顺。这极大地提升了大数据量下长文本切片入库的质量。

在日常开发或 Infra 建设中，根据不同的 ROI（投资回报率）和场景，有三种主流选型：

PaddleOCR 是目前国内开源界极度推崇的明星项目，基于飞桨底座，对中文印刷体、手写体、增值税发票的识别准确率非常恐怖，且运行速度极快，适合做单机大批量发票、车牌、身份证的后台纯自动化流水线解析。

针对特定垂直场景（如复杂的表格财务报表、营业执照识别），商业级 OCR SDK 封装了极其变态的领域规则引擎，能直接吐出严丝合缝的结构化数据（JSON），省去了复杂的后置清洗逻辑。

如果你的终极任务是为大模型构建 RAG 知识库，优先选择这类基于视觉的文档解析工具（Document Layout Analysis）。它们是专门为了“喂饱大模型上下文”而生的新时代 OCR 架构。