OCR 全流程与输入契约

本节目标

理解 OCR 为什么是一条数据流水线，并能先写结果契约、再选择模型。

从“看见”到“可用”

人看到一张发票会同时理解文字、位置、表格和层级；计算机收到的只是像素。一个可审计的 OCR 流程通常包含：

1. 采集与解码：记录原文件、页码、尺寸、颜色空间和方向。
2. 预处理：校正旋转或透视，抑制噪声，必要时调整对比度。
3. 版面分析：找出标题、段落、表格、图片、页眉等区域。
4. 文字检测：预测文字区域的边界框或多边形。
5. 文字识别：把每个区域的像素转成字符序列。
6. 排序与后处理：恢复阅读顺序、规范化字符并应用有限规则。
7. 质量控制：计算指标，把不确定或高风险结果交给人工。

检测回答“文字在哪里”，识别回答“文字是什么”。对整页直接识别有时可行，但复杂版面一旦排序错误，文本本身全对也无法用于问答或抽取。

先定义输出契约

最小文本块可以设计为：

{
  "document_id": "sample-001",
  "page": 1,
  "block_id": "p1-b03",
  "type": "text",
  "bbox": [120, 80, 620, 150],
  "order": 3,
  "text": "合计 128.00 元",
  "confidence": 0.93,
  "source": {
    "asset_id": "original-sample-001",
    "asset_sha256": "record-at-runtime",
    "coordinate_space": "page_pixels",
    "transform_id": "record-at-runtime",
    "engine": "record-at-runtime",
    "model": "record-at-runtime"
  }
}

bbox 只是坐标约定，必须同时记录它是像素还是归一化坐标，以及顺序为 [left, top, right, bottom] 还是别的格式。asset_sha256、transform_id 和坐标空间把文字框绑定到某个原始 revision 与派生图；裁剪、旋转或重跑 OCR 后不得复用旧框。confidence 是模型分数，不是“正确概率”；不同引擎的分数不可直接横比，阈值要在自己的验证集上校准。

失败边界

• 只保留纯文本会丢失证据位置，无法在原页高亮。
• 只保留平均置信度会掩盖金额、编号等关键字段错误。
• 预处理覆盖原图会让错误不可复现；原件应只读保存，衍生图记录参数。
• 把文件名当身份标识会在重名或移动后失效；应使用稳定文档 ID 和内容摘要。

进入 RAG 前的证据与权限边界

把块导出为 chunk 时，至少携带 document_id、page、block/table-cell ID、source revision、坐标/阅读顺序、分类与有效的对象级授权/ACL。chunk、Embedding、向量投影和检索缓存只是原文的派生物：来源撤权、到期或修订后应立即在在线候选中过滤，再按 版本、删除与权限 做撤权/删除传播。仅把 OCR text 写入向量库会丢失可引用证据，也可能让已撤权的内容继续被召回。

练习与自测

为“两页、第二页含表格”的匿名文档画数据流，并回答：

1. 哪些字段能定位到原图？
2. 表格的行列关系放在哪里？
3. 引擎升级后如何比较同一批文档？

若答案没有版本、坐标约定和原始来源，契约还不足以支持审计。

下一步与参考

下一步学习 成像原理与预处理。参考 Tesseract User Manual（当前 5.x 主线） 与 PaddleOCR PP-StructureV3 输出结构（latest/version3.x）（获取日期：2026-07-22）。