PaddleOCR 飞桨文字识别

飞桨开源的工业级 OCR 与文档智能工具包，可将图片、PDF 转成 Markdown/JSON 等结构化数据，支持 100+ 语言识别、版面与表格解析，并可直接对接 LLM 与 RAG 流程。

过去 7 天收获 4 颗 Star

爱鲜报评分

0.0

0 人评分

开源 · Apache-2.0 #Python #LLM #RAG #OCR #文档解析 #PaddlePaddle

92k

星数

是

中文

Python

主语言

是

活跃

295

贡献者

人工分析

EDITORIAL

适用场景

PDF/扫描件转 Markdown 或 JSON，构建 RAG 知识库
票据、证件、表单等结构化信息抽取（KIE）
多语言图片文字识别与文档翻译预处理
文档版面分析、表格还原与阅读顺序重建
为 LLM 微调构建高质量 OCR 数据集

优点

中文识别效果优秀，官方中文文档与社区支持完善
覆盖检测、识别、版面、表格、公式等完整链路
模型轻量，支持 CPU/GPU/XPU/NPU 多种硬件部署
与 Dify、RAGFlow、Cherry Studio 等生态深度集成
Apache-2.0 协议，商用友好

缺点

依赖 PaddlePaddle 框架，与 PyTorch 生态需额外适配
高精度模型对显存与算力有一定要求
文档解析链路参数较多，复杂版面需针对性调优
版本迭代较快，旧接口存在迁移成本

上手难度进阶

项目简介

PaddleOCR 是飞桨（PaddlePaddle）团队开源的 OCR 与文档智能工具包，目标是把任意图片或 PDF 文档转换为结构化数据，为 LLM、RAG 与 Agent 应用提供可靠的「数据入口」。项目采用 Apache-2.0 协议，支持 100+ 种语言识别，在 GitHub 上拥有近 9 万 Star。

核心能力

文档解析（面向 LLM）

PaddleOCR-VL：轻量级文档视觉语言模型，在 OmniDocBench 上取得领先精度，可直接输出 Markdown 与 JSON，对古籍、生僻字、印章、图表等场景有专门增强。
PP-StructureV3：结构感知转换方案，把复杂 PDF/图片转为 Markdown 或 JSON，并提供表格单元格、文本块等细粒度坐标信息，便于二次加工。

通用文字识别

PP-OCR 系列：覆盖中文、英文、日文及 46 种拉丁语系语言，单一模型即可处理多语言文档，无需频繁切换模型。
支持自然场景文字、证件、街景、书籍、工业部件等多种复杂环境。
官方称新版本在检测与识别精度上较上一代有明显提升，同时 CPU 推理速度大幅优化。

开发者生态

与 Dify、RAGFlow、Pathway、Cherry Studio 等主流 AI 应用框架深度集成。
支持 NVIDIA GPU、Intel CPU、昆仑芯 XPU 及多种 AI 加速卡部署。

典型使用流程

图片 / PDF
   │
   ├─ 文本检测 → 文本识别 → 结构化输出（JSON / Markdown）
   │
   └─ 版面分析 → 表格 / 公式 / 阅读顺序还原 → LLM 可读文档

适用建议

若目标是快速搭建中文 OCR 服务，可优先从 PP-OCR 推理接口入手。
若目标是构建 RAG 知识库，建议直接使用文档解析链路，输出 Markdown 后接入向量库。
部署前需评估硬件条件，高精度模型在 GPU 上体验更佳。