OCR

知识库简介

OCR（Optical Character Recognition，光学字符识别）把照片、扫描件或 PDF 页面中的可见文字转换为可搜索、可计算的数据。真正可用的系统不只是“图片转字符串”：它还要保留页码、文本框、阅读顺序、表格结构、置信度和来源，以便 Agent 能引用原文、触发人工复核并追踪错误。

本知识库从成像与版面直觉开始，逐步覆盖识别、后处理、评测、隐私部署，最后用一个完全离线的结构化结果审计器串起全流程。课程中的产品能力可能随版本变化；动态资料已于 2026-07-22 核验，使用前仍应查目标版本的官方文档。

在总路线中的位置

OCR 位于“扩展应用与复杂协作”阶段。它把图像中的文档变成 文档解析 和 RAG 可消费的结构化输入，也为 多模态 AI 提供可审计的文字通道。

学习目标

• 解释从成像、预处理、版面分析到文字识别和后处理的完整流水线。
• 为文本块、表格、阅读顺序、页码、置信度设计稳定的结果契约。
• 使用 CER、WER、字段与结构指标定位错误，而不是只看一个总分。
• 设计低置信度人工复核、隐私边界和可回归的离线测试集。
• 完成一个能校验结构、顺序、文本误差与复核队列的标准库项目。

前置知识

• 建议先学 Python 基础、JSON 和 数据标注。
• 不要求图像处理或深度学习基础；相关概念会先给直觉，再说明工程边界。

推荐学习顺序

1. OCR 全流程与输入契约：先确定输入、输出和可追溯字段。
2. 成像原理与预处理：理解分辨率、倾斜、噪声和二值化为何影响识别。
3. 文字检测、识别与数据标注：区分“文字在哪里”和“写了什么”。
4. 版面、表格与阅读顺序：避免多栏、表格和页眉被拼错。
5. 语言后处理与置信度：做有边界的规范化和复核分流。
6. 评测、错误分析与人工复核：建立文本、字段和结构三层评测。
7. 隐私部署与运行排查：把数据最小化、日志和回滚纳入设计。
8. 项目：结构化 OCR 结果审计：运行离线项目并完成验收。

动手实践或项目入口

• 主项目：结构化 OCR 结果审计。
• 项目资产：审计脚本、结构化夹具、合同与 CLI 回归测试。
• 整个项目只使用 Python 3 标准库，不读取真实文档、不下载模型，也不写入工作区生成物。

掌握标准

• 能画出并解释 OCR 的检测、识别、版面、后处理和复核数据流。
• 能说明单纯提高图像尺寸为何不一定提升质量，并设计可回滚的预处理对照。
• 能为多栏页面和表格定义阅读顺序与结构输出。
• 能手算一个 CER/WER 示例，并解释为什么分母为参考文本长度。
• 能把低置信度、关键字段规则和抽样复核组合为人工队列。
• 能运行项目、解释报告，并为一种新文档类型补一个匿名夹具。

与其他知识库的关系

• 上游图像获取与多模态理解见 多模态 AI。
• OCR 输出的切分、元数据和引用进入 文档解析、Chunking 策略、RAG 与 知识库构建；页、块/单元格、来源 revision、ACL 与删除状态必须随 chunk/Embedding 传播。
• 运行指标、漂移和告警应接入 运行监控；敏感文档治理参考 隐私计算 与 AI 治理。

主要参考资料

以下页面于 2026-07-22 核验：

• Tesseract User Manual（官方，当前文档主线为 5.x）
• Tesseract：Improving the quality of the output（官方）
• PaddleOCR PP-StructureV3 使用文档（官方 latest/version3.x）
• PaddleOCR Layout Detection（官方 latest/version3.x）
• Unicode Standard Annex #15：Unicode Normalization Forms（Unicode 17.0.0，Revision 57）
• NIST AI Risk Management Framework

版本边界

官方文档中的模型名、参数、语言覆盖和部署方式可能更新。本课程讲稳定的工程概念，不把当前页面示例当成永久 API；实际接入前应锁定依赖并在目标文档集上回归。