PaddleOCR识别老报纸从扫描到结构化文本3步跑通批量数字化【免费下载链接】PaddleOCRTurn 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. Supports 100 languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR如果你手上有成堆的旧报纸扫描件想把它变成可检索的文本PaddleOCR 是一条比较顺的路。它能做整页版面分析把标题、正文、图片、表格区域自动分开再逐行识别文字最终输出 JSON 或 Markdown 两种结构化格式也支持 100 种语言。本文按能力 → 上手 → 典型场景 → 工程化部署 → 效果数据的顺序带你把一条老报纸识别流水线真正跑起来。老报纸数字化两个典型场景先看两个最常见的用法方便你对号入座档案数字化档案馆或资料室把 1950–1990 年的旧报纸扫描成图片需要批量转成可全文检索的文本多栏排版、褶皱污渍都要尽量扛住。票据与表格归档财务或数据团队把发票、登记表这类扫描件转成结构化数据喂给 RAG 系统或大模型做问答表格部分要保留行列结构。两个场景的共同点是输入是一张图输出是一份结构化的 JSON/Markdown。PaddleOCR 的 PP-OCR 系列负责文字检测与识别PP-StructureV3 负责整页版面理解分工如下模块职责典型输出PP-OCRv5/v6文字检测 识别多语言文本、坐标、置信度PP-StructureV3版面区域分析标题/正文/图/表Markdown、JSON含坐标文档预处理方向矫正、页面去扭曲矫正后的图片PaddleOCR-VL视觉语言模型整页解析0.9B 轻量Markdown、JSON适用边界PaddleOCR 处理的是图片/PDF 的解析与识别不替代人工校对极模糊、残缺严重的历史文献建议结合人工抽检。安装与首次识别拿到第一个结果整条最短路径只有两段。先装环境python -m pip install paddlepaddle3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ python -m pip install paddleocr[all]然后写一个最小脚本对一张报纸图片跑识别并落盘from paddleocr import PaddleOCR ocr PaddleOCR( use_doc_orientation_classifyTrue, # 自动矫正扫描方向 use_doc_unwarpingTrue, # 消除褶皱与弯曲 langch, ) for res in ocr.predict(./old_newspaper.jpg): res.save_to_json(output) # 文本、坐标、置信度运行后检查output目录JSON 里有逐条rec_texts、rec_scores和多边形坐标能在终端直接打印预览。确认文字和框位无误说明这条链路已经通了。如果不想写代码命令行同样一行搞定paddleocr ocr -i ./old_newspaper.jpg --use_doc_orientation_classify True场景实践三种典型用法整版报纸用 PP-StructureV3 做多栏版面解析普通 OCR 只给文字列表多栏报纸容易读乱。PP-StructureV3 会先切版面区域再按阅读顺序输出更适合报纸这种版式paddleocr pp_structurev3 -i ./old_newspaper.jpg --save_path ./outputPython 侧的调用几乎一样结果可以同时导出两种格式from paddleocr import PPStructureV3 pipeline PPStructureV3() for res in pipeline.predict(./old_newspaper.jpg): res.save_to_json(save_pathoutput) res.save_to_markdown(save_pathoutput)批量处理一个文件夹时直接对目录传-i结果统一落到--save_path指定的位置配合find或脚本循环即可覆盖整个子目录树。竖排与繁体古籍、老报刊的语言参数竖排报纸和繁体文档关键是选对语言模型。项目内置了多语言字典与字体资源如chinese_cht.ttf、japan.ttc初始化时切换lang即可ocr PaddleOCR(langchinese_cht, use_textline_orientation_classifyTrue)use_textline_orientation_classify用于行级方向判断混合了旋转 180° 文本行的扫描页也能按正确方向识别。表格提取报纸里的统计表格转结构化报纸中的数据表、财务票据用 PP-StructureV3 的表格识别能力可以转出带行列结构的表格以 HTML 表格形式嵌入 Markdown便于后续导入 Excel 或程序解析from paddleocr import PPStructureV3 pipeline PPStructureV3(use_table_recognitionTrue) for res in pipeline.predict(./statistical_table.jpg): res.save_to_markdown(save_pathoutput)工程化服务器、移动端与 API 化服务化deploy/hubserving/提供 det、rec、system 等角色的 Serving 配置tools/test_hubserving.py可发起请求测试把识别能力挂成本地 HTTP 服务。移动端/嵌入式deploy/lite/、deploy/android_demo/、deploy/ios_demo/分别提供 Lite、Android、iOS 推理方案适合现场扫描设备。API 与多语言调用api_sdk/go、api_sdk/typescript提供 Go 与 TypeScript 客户端仓库根目录另有mcp_server/可作为 MCP 服务端对接大模型工具链。效果验证一组可核实的数字以下数据均来自项目官方发布说明供选型参考指标数据语言覆盖100 种语言PP-OCRv6 单模型统一覆盖 50 种PP-OCRv6 精度相比 PP-OCRv5检测 4.6%、识别 5.1%推理速度端到端 CPU 推理最高提速 5.2 倍OpenVINO模型档位tiny 1.5M / small 7.7M / medium 34.5M 参数覆盖边缘到服务器文档解析PaddleOCR-VL-1.60.9B在 OmniDocBench v1.6 上达 96.3%资源索引快速开始docs/quick_start.md多语言与竖排数据集说明docs/datasets/vertical_and_multilingual_datasets.md内置字体库含繁体、日文等doc/fonts/模型压缩与量化deploy/slim/服务化部署deploy/hubserving/readme.md移动端示例deploy/android_demo/README.md常见问题docs/FAQ.md需要源码二次开发时克隆仓库后从tools/train.py、tools/infer_rec.py入手即可git clone https://gitcode.com/GitHub_Trending/pa/PaddleOCR【免费下载链接】PaddleOCRTurn 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. Supports 100 languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考