PaddleOCR 是百度飞桨（PaddlePaddle）团队打造的工业级开源 OCR（光学字符识别）与文档智能解析工具箱。它能将扫描版 PDF、手机拍照、网页截图等任意图像类文档，精准转换为可编辑、可搜索、可编程的结构化文本（如 Markdown、JSON、Excel），彻底告别手动抄录和低效复制。尤其针对中文文档优化，在复杂版式、模糊手写、印章遮挡等真实场景中表现远超同类工具，已成为国内政务、金融、教育、科研等领域文档数字化的事实标准。
核心功能
- 百语支持，中文首选：原生支持简体/繁体中文、英文、日文、韩文、阿拉伯文等 100+ 语言，其中中文识别模型经千万级中文文档训练，印刷体准确率超 98.5%，对小字号、倾斜、低分辨率图片鲁棒性强。
- 端到端文档理解：不止于“认字”，还能自动识别标题、段落、表格、公式、页眉页脚等逻辑结构，输出带层级关系的 HTML 或 Markdown，让 PDF 真正变成“活文档”。
- PDF 智能解析引擎：内置高性能 PDF 解析器，兼容扫描件（OCR PDF）与文本型 PDF，支持批量处理、多线程加速，并可直接导出为纯文本、Markdown、Excel 表格或 JSON 结构化数据。
- 轻量部署，全平台兼容：提供 CPU / GPU / 国产化硬件（昇腾 NPU、昆仑 XPU）多后端支持；最小安装仅需 3 行命令，单机即可运行；也支持 Docker、PaddleServing 高并发服务部署。
- 开箱即用的 RAG 基础设施：输出结果天然适配大模型应用——支持一键生成向量库、自动切片、保留原文上下文，是构建企业级知识库、智能客服、合同审查等 AI 应用的理想文档预处理器。
- 零代码在线体验 + 丰富示例：官网提供免安装 Web Demo，上传即识别；GitHub 内置 50+ 中文实战案例（含发票识别、身份证提取、论文解析、古籍断句），覆盖 90% 日常需求。
适合哪些人用
如果你是以下角色之一，PaddleOCR 将极大提升你的工作效率：
• 科研人员与学生：快速提取论文图表、参考文献、实验数据，批量转 Markdown 整理笔记；
• 行政/法务/财务人员：自动识别合同、发票、营业执照、银行回单中的关键字段，减少人工录入错误；
• 开发者与 AI 工程师：作为 RAG、智能文档分析系统的“眼睛”，无缝对接 LangChain、LlamaIndex 等框架；
• 中小企业与政务单位：低成本实现老旧档案数字化、办事材料智能预审、公文格式自动校验；
• 教育工作者：将教材、试卷、板书照片秒变可编辑电子讲义，支持双语对照导出。
快速上手
无需配置环境，5 分钟完成首次识别：
- 安装（推荐 pip）：
pip install paddleocr（Python 3.8–3.12，Windows/macOS/Linux 全支持） - 一行代码识别本地图片：
from paddleocr import PaddleOCR; ocr = PaddleOCR(use_angle_cls=True, lang="ch"); result = ocr.ocr("invoice.jpg", cls=True) - 解析 PDF 文档：
ocr = PaddleOCR(use_pdf=True); result = ocr.ocr("report.pdf")，结果自动包含文本坐标、置信度、段落类型 - 导出为 Markdown：
paddleocr.tools.convert_pdf_to_markdown("report.pdf", output_dir="./output") - 进阶用户可访问 部署指南，5 分钟搭建 Web API 服务。
项目信息
PaddlePaddle/PaddleOCR
GitHub
Turn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs
73.8k
今日 +440 stars today
Stars
10.1k
Forks
Python
Apache-2.0
编程语言：Python｜GitHub Star 数：73,850+｜开源协议：Apache-2.0｜GitHub 项目地址
国产 OCR 的“天花板”级开源项目——不依赖云 API、不上传隐私文档、中文场景深度打磨、社区活跃度常年稳居全球 OCR 类库前三，是你构建文档智能能力最值得信赖的“地基”。
