夜雨聆风学习资料网

ARTICLE · 1379722

付费 PDF 解析太贵,实测开源 OXR vs PaddleOCR

付费 PDF 解析太贵,实测开源 OXR vs PaddleOCR

上个月接了个活,帮人把一批合同和报价单转成结构化表格。文件里有一半是扫描件,拍照拍的,带红章,有几页还是歪的。

我先试了几个线上文档解析的付费服务。识别结果确实不错,表格能直接吐出来。但两个地方卡住我了:一是文件必须上传到对方服务器,合同这种东西我不敢乱传;二是按页计费,我这一批两百多页,算下来并不便宜。

那就找离线的。

国内做 OCR 离线的,绕不开 PaddleOCR,这个大家都知道。然后最近 GitHub 上又冒出来一个叫 OXR 的,一堆人在转,说是国产团队做的文档解析模型,榜单第一。

所以我把两个都下了,本地跑一遍。这篇文章就是我这几天的记录,好的地方说好的,坑也不藏着。

先放地址,省得你到处翻:

  • OXR 官方 GitHub:https://github.com/SoMarkAI/OXR
  • OXR 模型权重(Hugging Face):https://huggingface.co/
  • OXR 模型权重(ModelScope):https://modelscope.cn/models/SoMark/OXR-1.0
  • OXR 在线 Demo(不用装,直接传文件试):https://free-oxr.somark.cn/
  • OXR 免费 API 地址:https://free-oxr.somark.cn/api/v1
  • 团队官网 SoMark:https://www.somark.cn
  • PaddleOCR GitHub:https://github.com/PaddlePaddle/PaddleOCR
  • PaddleOCR 官方文档:https://www.paddleocr.ai/
  • 配套的 SoMarkDown(看解析出来的 markdown 效果):https://github.com/SoMarkAI/SoMarkDown

① 先说清楚这俩到底是什么东西

PaddleOCR 是老牌了,百度飞桨那边开源的,做的是 OCR——图片里的文字,检测出来,再识别成文本。

它本身是个能力库,不是开箱即用的文档解析器。你要做"PDF 进去、带表格的 markdown 出来"这件事,得自己拼流水线:PDF 转图片,OCR 识别,再上 PP-Structure(现在 3.x 版本里叫 PP-StructureV3)做版面分析和表格还原。每一步都要自己调。

好处是灵活,你想换哪个模块就换哪个,裁剪方便。坏处就是费劲,尤其第一次上手,光把流程串通就要半天。

OXR 不一样,它是 2026 年 10 月 5 日开源的,SoMark 团队做的,参数 1.3B。它把整件事当成一个任务:给一页 PDF 或者一张文档图片,直接输出 Markdown 或 JSON,带版面坐标,带阅读顺序。

能认 13 类元素:正文、标题、图注、脚注、公式、表格、图片、印章、代码块、化学方程式、化学结构式,还有页眉页脚(默认会被过滤掉)。表格输出 HTML 或 Markdown,公式输出 LaTeX。

按官方 README 的说法,它在 OmniDocBench、olmOCR-Bench、DocParsingBench 三个基准上都排第一,表格那一项领先幅度最大。这个我没法自己复现全部榜单,就当参考看,别当成绝对真理。

架构上有个点我觉得挺聪明:版面分析被拆成了独立模块。它只负责判断"这块是表格还是段落",不参与阅读顺序的判断。阅读顺序判断合并进了识别底座。所以企业版式特殊,只微调那个轻量的版面小模型就行,不用重训整个底座。

这一点对做二次开发的人意义挺大的。

② 我实际跑下来的对比

场景一:扫描件,拍照的合同

这是最考验人的场景。

PaddleOCR 在这种图上很稳。倾斜能矫正,字有点糊也能认,印章压住文字的情况处理得比我想的好。老牌工具在这块的积累确实够。

OXR 也能认,普通印刷体跟 PaddleOCR 差不了太多。但遇到底纹重、印章盖在字上、复印件二次扫描这种,漏字的概率会高一些。

不过我这边有个明显感受:OXR 认完之后是直接出结构的。合同里的甲方乙方、条款段落、金额表格,它自己就分好了,我不用再写代码去切段落。PaddleOCR 给的是纯文本,段落关系得我自己补。

场景二:电子 PDF,那种能选中文字的报表

这个场景差距就拉开了。

电子 PDF 里面的文字本身是矢量的,根本不需要 OCR。

OXR 会优先读 PDF 底层文字流,不走识别,速度快,也不会出现识别错字。同时它还能识别页面上的表格区域,把单元格抽出来。我拿一份月度费用报表试,出来直接就是 markdown 表格,基本能看。

PaddleOCR 这边就尴尬了。它不能直接吃 PDF,我得先转成图片,再丢进去识别。本来白拿的文字,硬生生多了一道转换,又慢又容易引入错。

所以如果你手上主要是电子 PDF,OXR 省事太多了,这个没什么好争的。

场景三:复杂表格,合并单元格那种

表格是整件事里最难的部分。

PaddleOCR 配 PP-StructureV3,标准行列表格识别得很好,中文表格尤其稳。但一遇到大量合并单元格、跨页表格、线条很淡的,就容易拆错,单元格错位。而且它给的是表格结构和 cell 坐标,要转成 Excel 还得自己写一段代码。

OXR 的表格能力是主打卖点,确实会尝试还原合并结构,直接吐 markdown 表格。但它的软肋也很清楚:没有边框线、或者线条特别淡的表格,检测容易失效,整块会被当成普通文本。

两边在异形报表上都会翻车,谁也没做到完美。这一点得实话实说。

③ 显存和部署,这才是真正的分水岭

很多人看项目介绍觉得 OXR 更香,跑起来才发现门槛不一样。

OXR 要显卡。 1.3B 的模型,BF16 权重,官方说单卡 24G 显存能跑得比较舒服。它适配了主流推理框架,官方给了 Docker 镜像和 CLI,挂个 vLLM 插件就能拉起来服务,不用自己编译。想省事的话,它还有免注册的免费 API 和在线 Demo,不装也能先试效果。

但你要纯 CPU 跑一份几十页的 PDF,会很煎熬。

PaddleOCR 轻得多。 检测识别模型都小,CPU 就能跑,小显存显卡也带得动。开 PP-Structure 的表格模型会涨一些,但整体还是比 OXR 友好。这也是很多老项目一直没换的原因——服务器是个 2C4G 的小实例,OXR 根本放不进去。

部署难度上:

  • OXR 封装程度高,Docker 一把起来,输入 PDF 出结构化内容,胶水代码可以写很少。缺点是封得太死了,想单独换掉里面的识别模型很麻烦(除非你按它那个可插拔的版面模块来改)。
  • PaddleOCR 生态久了,教程一堆,但组件是散的,你得自己组装。自由度高,代价是调试成本高。

④ 到底怎么选

我按场景列一下,你自己对号:

你主要处理什么
选哪个
原因
电子 PDF、普通合同,要直接出带表格的 markdown
OXR
直接读文字流,不用转图,结构化一步到位
大量模糊扫描件、拍照件、印章多的文件
PaddleOCR
抗干扰强,识别鲁棒性更好
服务器配置低,只做单纯文字识别
PaddleOCR
CPU 能跑,资源开销小
要深度二次开发,自己拼识别流水线
PaddleOCR
模块化,随便换
想快速搭个文档解析服务,不想写太多胶水代码
OXR
一站式,Docker / API 开箱用
只想先试试水,不想装环境
OXR
有在线 Demo 和免费 API

⑤ 几个我自己踩到的坑

不想让你也踩一遍,写下来:

  1. 1.加密 PDF、禁止打印的 PDF,OXR 解析不了,直接跳过或者报错。这种得先想办法解除限制。
  2. 2.几十页的大 PDF 一次性丢进去,内存会飙,我这台机器上跑过一次就被系统 kill 了。建议按页或者按十页一批切着处理。
  3. 3.别指望它搞定所有财务异形报表,无边框表格它真的会当成正文。
  4. 4.项目还很新,issue 回复速度和社区规模跟 PaddleOCR 没法比。遇到冷门问题,可能得自己啃代码。
  5. 5.商用一定先看协议。OXR 不是纯 Apache 2.0,是基于 Apache 2.0 加了附加条款的自定义协议,LICENSE 在仓库里,用之前自己读一遍,别想当然。
  6. 6.PaddleOCR 那边同理,它也是 Apache 2.0,但如果你把模型和代码一起打包分发,还是要确认一下条款细节。

⑥ 最后

这俩不是替代关系,是两种定位。

你要是主要跟电子 PDF 打交道,想少写代码、直接拿到能用的结构化数据,OXR 值得试。反正是开源的,先上在线 Demo 传一份自己的文件看看效果,比看任何评测都靠谱。

你要是手里全是拍照的扫描件,或者机器配置一般,又或者打算基于识别能力自己做深度定制,PaddleOCR 加 PP-StructureV3 还是更稳的选择。

离线文档解析这件事,到现在也没有一个通吃的方案。看自己最常处理的那类文件下判断就行。

最后提醒一句:离线方案解决了上传和付费的问题,但复杂文档上的效果,跟那些收费的商业解析服务还是有差距的,心里要有数。

转给也在被"合同不敢传、按页计费贵"卡住的人

你主要处理的是电子 PDF 还是拍照扫描件?显存够不够跑 OXR?贴评论区,我把对应那条坑补细。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料