中文OCR双引擎技能 v2.0
双引擎：PaddleOCR 通用文档OCR + RapidOCR 手写体特化，按场景自动/手动切换
引擎分工
| 场景 | 推荐引擎 | 理由 |
|---|
| 印刷体文档、合同、报表 | --engine paddle | PaddleOCR中文印刷体识别率最高 |
| 手写体、日期、签名、工号 | --engine rapid | RapidOCR手写数字/文字准确率更高 |
| 混合文档（印刷+手写） | --engine auto | 自动检测内容类型切换 |
| 不确定用哪个 | --engine both | 双引擎交叉验证，取置信度高者 |
快速开始
# 手写体日期提取（默认RapidOCR）
python scripts/ocr_date_extractor.py 文档.pdf
# 指定引擎
python scripts/ocr_date_extractor.py 文档.pdf --engine rapid
python scripts/ocr_date_extractor.py 文档.pdf --engine paddle
python scripts/ocr_date_extractor.py 文档.pdf --engine both
# 提取特定区域手写文本
python scripts/ocr_rapid.py 文档.pdf --date-mode
python scripts/ocr_rapid.py 文档.pdf --signature-mode
核心脚本
ocr_date_extractor.py — 日期提取引擎
python scripts/ocr_date_extractor.py 文档.pdf [--engine rapid|paddle|both|auto]
四层流水线：
- 动态日期行定位
- 选定引擎OCR
- 智能值域校验
- 文档上下文推断
ocr_rapid.py — 手写体区域提取
python scripts/ocr_rapid.py 文档.pdf --date-mode --engine paddle
python scripts/ocr_rapid.py 文档.pdf --region 0.1 0.4 0.9 0.6 --engine both
ocr_batch.py — 批量处理
# 批量处理目录下所有PDF
python scripts/ocr_batch.py --batch-dir ./pdfs --engine auto
# 双引擎交叉验证
python scripts/ocr_batch.py --batch-dir ./pdfs --engine both --json -o results.json
引擎对比
| 指标 | PaddleOCR 2.8 | RapidOCR 1.4 |
|---|
| 印刷体中文 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 手写体数字 | ⭐⭐ | ⭐⭐⭐⭐ |
| 手写日期完全正确率 | 20% | 60% |
| 手写日期部分识别率 | 60% | 90%+ |
| 首次加载 | 慢（下载模型） | 快（缓存） |
| 速度 | 3-5s/页 | 2-3s/页 |
| 安装包 | ~200MB+模型 | ~55MB |
自动引擎选择逻辑 (--engine auto)
1. 全页低分OCR快速分析内容类型
2. 检测到"年/月/日"等日期关键字 → RapidOCR
3. 检测到大量印刷体文字 → PaddleOCR
4. 混合内容 → both（双引擎交叉验证）
参数参考
| 参数 | 说明 |
|---|
--engine rapid|paddle|both|auto | OCR引擎选择 |
--json | JSON格式输出 |
-p, --pages | 指定页码(1-based) |
--region X1 Y1 X2 Y2 | 自定义区域(百分比0-1) |
--batch | 批量处理目录 |
--dpi | OCR分辨率(默认400) |
依赖
pip install rapidocr-onnxruntime # 手写体引擎（已安装 ✅）
pip install paddleocr paddlepaddle # 文档OCR引擎（已安装 ✅）
已知问题
- PaddleOCR 3.x + PaddlePaddle 3.x 存在 OneDNN 兼容问题，当前使用 2.x 版本
- 首次启动 PaddleOCR 需下载模型（~18MB）
- RapidOCR 多次调用可能产生进程残留，需定期清理