纸质文档一键数字化:PaddleOCR + MinerU,157k星的组合
办公室那堆纸质合同。发票。快递单。每次要找什么东西，翻半天。
上个月花了半天。用两个开源工具搭了套”扔纸进去→出可搜索文档”的流程。之后每次找合同，打字搜。再也没翻过。
PaddleOCR。百度出品。GitHub 84k星。文字识别引擎。拍照→出文字。100多种语言。中文识别率跟收费的讯飞一个水平。
MinerU。上海AI实验室出品。73k星。把PDF和扫描件转成Markdown。表格能保留。公式能保留。版面结构不乱。这是普通OCR做不到的。
拿一份八年前签的租房合同扫进去。纸张都泛黄了。折痕。印章盖了一半。
PaddleOCR认出了95%以上的字。印章叠盖的部分有两行没认出来。其他全对。
认出来的文字扔进MinerU。自动识别哪些是正文、哪些是条款编号、哪些是甲方乙方信息。输出一份干净Markdown。直接在电脑上搜索”违约金”。一秒定位。
八年前的合同。打字搜。十秒找到。这在以前是想都不敢想的。
合同多。发票多。各种单据多的。搭一次。以后找东西就打字搜。
老照片翻拍也认。我试了张2010年用诺基亚拍的项目白板——字都能认出来。
部署要会命令行。两个工具加起来叫 “OCR + 文档解析流水线”。听起来不复杂。但第一次搭可能要两个小时。照着GitHub上的教程一步步走。别跳步。
https://github.com/PaddlePaddle/PaddleOCR 这是网址
关注「清屿AI工具」，每篇测一个真实能用的AI工具，不讲虚的。
夜雨聆风
