ARTICLE · 1291176
PaddleOCR 识别扫描件教程:从安装到文字表格转可编辑内容
财务月底发来一沓扫描版 PDF，让把里面的表格数据抠出来对账；客户给的合同是扫描件，想改两个条款都无从下手。这种场景很多人都遇到过：文件本质是图片，复制不了字；在线 OCR 工具要么限制页数，要么得把含金额、含个人信息的文件传到别人服务器上，心里总不踏实。
本地装个 PaddleOCR 就能闭环解决：文字和表格一起转成 Markdown，粘进 Excel 直接能用。这篇从安装讲到识别，把中间的坑标出来。
PaddleOCR 是什么
开源 OCR 工具包，Apache 2.0 协议，GitHub 上 70k+ stars，Dify、RAGFlow、Cherry Studio 这些项目都拿它当文档解析底座。和普通 OCR 的区别是：它不只给你一堆没格式的纯文本，而是把 PDF 和图片转成结构化的 Markdown 或 JSON。
按官方文档的划分，它有三条产品线，对应不同场景：
- PP-OCRv6
：通用文字识别，单个模型覆盖中、英、日和 46 种拉丁文字共 50 种语言，多语言混排不用切模型 - PP-StructureV3
：文档结构化解析，复杂 PDF 和图片直接转 Markdown/JSON，表格能精确到单元格坐标——扫描件抠表格就靠它 - PaddleOCR-VL-1.6
：0.9B 的视觉语言模型，专攻复杂版式，官方提到在公式、表格、印章、古籍生僻字上表现突出，OmniDocBench v1.6 准确率 96.3%
安装
支持 Linux、Windows、macOS，纯 CPU 就能跑，有 NVIDIA GPU 会更快。
第一步，先确认 Python 版本，执行 python --version 看一眼。官方标注的支持范围是 3.8~3.12。很多人在这一步会踩坑：本机装的是 Python 3.13，装完跑不起来，排查半天才发现版本超了范围。
第二步，安装本体：
pip install paddleocr2026 年 6 月发布的 3.7.0 版本自带 PP-OCRv6，官方数据是比上一代检测准率 +4.6%、识别准率 +5.1%，CPU 推理提速 5.2 倍，直接装新版即可。
识别扫描件：按场景选产线
装好之后不用急着跑，先想清楚文件类型，选对产线比调参数重要。
只要文字、不涉及版式：用 PP-OCRv6。书页、证件、截图、中英文混排的文档都行。模型分 tiny（1.5M 参数）/ small（7.7M）/ medium（34.5M）三档——本地电脑建议从 small 起步，追求精度再上 medium，这是按官方给的定位来的：tiny 面向边缘端，medium 面向服务端。
扫描件里有表格：换 PP-StructureV3。它输出的是 Markdown 表格，或者带单元格坐标的 JSON，表格结构完整保留。财务对账单、合同条款这类文件，转出来粘进 Excel 或在线文档基本不用重排。
版式特别复杂：双栏排版、带公式和印章的文件，上 PaddleOCR-VL-1.6。
量特别大：官方 7 月新发布的 HPD-Parsing 主打高吞吐，公开基准上峰值 4752 tokens/s，支持 OpenAI 兼容接口和 vLLM 本地推理，官方文档有专门的部署教程。日常几张扫描件用不上它，要给 RAG 批量灌数据时再看。
踩坑提醒
首次运行要下载模型。 模型托管在 HuggingFace 和 ModelScope 上，国内网络访问 HuggingFace 经常卡住，这种情况换 ModelScope 源会顺畅很多——属于通用经验，不是文档里的硬性要求。
别把表格交给纯文字产线。 用 PP-OCRv6 识别表格，得到的是按阅读顺序排列的散装文本，行列对应关系全丢了，事后手工对齐比打字还痛苦。带表格的扫描件一律走 PP-StructureV3。
扫描质量决定识别上限。 倾斜、阴影、低分辨率的扫描件，什么模型都救不回来。建议扫描时 300 DPI 以上、页面放平；手机拍的话先用扫描类 App 做文档矫正再喂进去。
硬件不用焦虑。 没 GPU 完全能用：PP-OCRv6 这代 CPU 提速 5.2 倍，tiny 模型在苹果 M4 上也有 6.1 倍提升，本地跑几张扫描件毫无压力。
收尾
扫描件转可编辑内容这件事，记住一个映射就够了：纯文字走 PP-OCRv6，带表格走 PP-StructureV3，复杂版式上 VL 模型，全程本地跑，文件不出自己的机器。
我把常用 AI 工具的配置要点和上手清单整理成了一份《AI 工具速查手册》，会持续更新。关注本号后回复"工具"两个字就能拿到，希望帮你少走弯路。
