最近花了两天时间，用开源OCR工具把一部星命学竖版古籍《星命说证正续合编》上下两册、共350多页pdf扫描图片，全部转成了可检索的纯文本，转文本准确率高达90%以上，效果出乎意料。写出来给同样有古籍数字化需求的朋友参考。

先简单介绍下过程，我选用古籍式样如图所示：

我第一次跑出来大概是这样的

但此时千万别灰心，直接把这个文本甩给AI，让它总结原因，调整后重新生成。

第二次跑出来的文本就有模有样了，准确率基本在90%以上，以上的过程是可以批量完成的，下面具体介绍下我的使用心得。

一、开源软件选择——PaddleOCR

市面上OCR方案不少。微信/QQ自带的OCR对印刷体效果不错，但只能单张，没法批量。大部分OCR API对于现代行文效果好但竖版古籍的转换则差强人意，还要花钱，350页下来光调用费就不少。Google的Tesseract对中文识别率偏低，竖版古籍繁体字更是吃力。

最终选了百度的PaddleOCR——完全开源、本地运行、免费、支持繁体中文，而且识别率在中文印刷体上属于第一梯队。

二、安装踩过的坑

几个坑提前说一下，可以节省你不少时间：

1. paddlepaddle版本很关键

最新版3.3.1有bug（PIR/oneDNN相关），3.0.0也有类型错误。测试下来3.2.2是最稳定的版本。

pip install paddlepaddle==3.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install paddleocr -i https://pypi.tuna.tsinghua.edu.cn/simple

国内下载注意用清华镜像，不然下载慢到怀疑人生。

2. 模型下载被墙

PaddleOCR默认从HuggingFace下载模型，但在国内被墙。需要设置环境变量让它走ModelScope：

import osos.environ['PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK'] = 'True'

模型会自动下载到C:\Users\你的用户名\.paddlex\official_models\，首次运行需要等几分钟。

3. 命令行语法

新版PaddleOCR的命令行语法变了，不是paddleocr --image_path 文件，而是：

paddleocr ocr -i 图片文件

三、古籍OCR的真正难点：竖排混排

现代OCR默认假设文字是横排（从左到右、从上到下），但古籍大量使用竖排（从右到左、从上到下）。更麻烦的是——同一页上经常横排竖排混在一起。

我这本《星命说证》就是典型：正文是竖排，但页眉标题、页码、出版信息又是横排。如果简单按坐标从上到下排序，竖排文字会被打散成碎片。

解决方案是根据检测框的宽高比自动判断排版方向：

• 检测框高度 >> 宽度 → 竖排文字
• 检测框宽度 >> 高度 → 横排文字

然后分别处理：

横排：按y坐标聚类分行，行内从左到右排列。

竖排：按x坐标从右到左排列（古籍阅读顺序），列内从上到下。用y坐标的间距（>100像素的跳跃）来划分不同的段落区块。

代码不到100行就搞定了这个逻辑，实测准确率非常高。

四、参数调优

默认参数的检测阈值偏高，会漏掉很多淡墨、小字的文本块。经过大量测试，最终参数是：

ocr = PaddleOCR( lang='ch', ocr_version='PP-OCRv5', det_db_thresh=0.1,# 检测阈值，默认0.3太高 det_db_box_thresh=0.1,# 框阈值 text_det_limit_side_len=960# 检测边长上限)

关于模型版本：PP-OCRv5_server效果最好。v6虽然更新，但对标点符号的支持反而不如v5——古籍中的句读符号v5能识别出来，v6会漏掉。

个别漏检严重的区域，甚至把det_db_thresh降到0.005才勉强检出，但这时噪声也会增多，需要人工筛选。

五、还有一个坑：双页跨页

古籍扫描经常是双页跨页，一图里有两页内容。处理方法很简单：检测图片宽度，如果x范围超过1000像素，就按中线拆成左右两页分别处理。

六、批量处理的策略

350多张PNG，不可能一张张手动跑。写了个批量脚本，核心逻辑：

1. 遍历文件夹下所有page_*.png
2. 按页码排序
3. 每张图OCR → 自动判横竖 → 排版整理 → 存为txt
4. 断点续跑
   ：先检查txt是否已存在，存在就跳过

这样即使中途断了，重跑也不会重复处理已完成的页面。

对于超长任务（处理到后面每页80-90个文本块，单页要跑很久），还用了定时任务每10分钟自动续跑，真正做到了"丢在那里不管，回来全做完"。

七、效果如何

整体识别率大约在85%-95%之间。繁体字、异体字识别相当不错，印刷清晰的正文基本零错误。主要问题集中在：

• 极淡的字迹
  ：老书墨迹不均，浅色区域容易漏检
• 极小字号
  ：注文小字有时会被忽略
• 竖排列标题
  ：页面边缘的竖排小标题偶尔无法检出
• 异体字形
  ：个别冷僻异体字会识别成近似字

每个txt文件里标注了置信度低于30%的文本行（*LOW标记），方便人工校对时重点关注。

八、总结

两天时间、几乎零花费、350页古籍，从扫描图片变成可全文搜索的txt文本。这个效率在几年前不敢想。

如果你是古籍爱好者，想把自己收藏的PDF/扫描本数字化，PaddleOCR是目前最靠谱的免费方案。

工具：PaddleOCR 3.x + Python + hermes+DeepSeek AI辅助古籍：《星命说证正续合编》霍敏卿著耗时：约10小时（含调试）费用：PaddleOCR免费，AI辅助Token约几块钱