扫描PDF怎么喂给AI?80k星开源OCR搞定

导语：做 RAG 项目时最头疼的环节之一，就是文档入库：几百份扫描 PDF，扫描件、表格、公式什么都有，扔给大模型直接懵圈。试了一圈商业 OCR 都不满意，最后回到 PaddleOCR——它刚更新的 3.6.0 版本，专门为 AI 场景做了优化。这篇分享实测体验。

起因是最近在搞 RAG 项目，文档里有几百份 PDF：扫描件、表格、公式、印章，什么都有。

把这些直接扔给大模型？它直接懵圈。

试了好几个商业 OCR 都不满意，后来想起了 PaddleOCR——好家伙，居然又更新了 3.6.0 版本，专门针对 LLM 场景做了优化。

为啥又拎出来说它

先看一组数据：

• GitHub Stars：80,486
• Forks：10,630
• 支持语言：100+ 种
• 被引用项目：6k+

放在 GitHub Trending 榜上，能直接冲进前十。而且它不是一夜爆红的项目，是 2020 年 5 月就上线的"老兵"，能在 2026 年继续往榜单上窜，说明一直在跟时代。

最关键的一点是：它的定位变了。

以前的 PaddleOCR 是纯粹的 OCR 工具——给一张图，还你文字。3.x 之后，它开始针对 LLM 场景优化，主打"把任何 PDF/图片转成结构化数据喂给 AI"。

简单说，它从「字符识别工具」升级成了「文档智能引擎」，输出的不是一堆纯文本，而是带结构的 Markdown 或 JSON，可以直接进 RAG 流程。

Dify、RAGFlow、Cherry Studio 这些热门 AI 项目都在用它。能被这一票头部项目集成进去，本身就是质量背书。

它能做什么（不带水分版）

1. PDF / 图片 → Markdown / JSON

这是当下最实用的能力。给一份扫描的 PDF（合同、论文、财报都行），输出是结构化的 Markdown：

• 标题层级保留
• 表格转成标准 Markdown 表格
• 公式识别成 LaTeX
• 印章、图表都能解析

我拿一份带表格的财报 PDF 测试，效果确实惊到——表格的合并单元格、跨页表格自动拼接都搞定了。放以前，这得专门写规则代码处理。

2. 多语言场景文字识别

支持 100+ 语种，一个模型搞定中英日韩混排。官方数据是 PP-OCRv5 相比上一代准确率提升 13%。

3. 印章、街景、票据这类"非标"场景

普通商用 OCR 一遇到圆形印章就拉胯。新版本专门优化了印章识别、古籍生僻字、图表理解这些硬骨头。我拿一张盖了红色印章的合同试了下，印章里的公司名和编码能完整提取出来——这个我用过的几个商用产品都做不到。

4. 直接当 RAG 的预处理管道

PP-StructureV3 流水线，从「PDF → 版面分析 → 元素抽取 → 输出 Markdown」一键打通，配合后面的向量化、Embedding，整个 RAG 的"数据入库"环节就齐活了。

3.6.0 版本到底牛在哪

重点是 PaddleOCR-VL-1.6 这个新模型：

• 参数量只有 0.9B——市面上同等任务的 VLM 动不动 7B 起步
• OmniDocBench 基准上文本/公式/表格识别全部 SOTA
• 输出 Markdown / JSON
• 支持 109 种语言

0.9B 参数意味着什么？一张消费级显卡就能跑，甚至 CPU 推理延迟也能接受。 对中小团队、个人开发者来说，这是"能用"和"用不起"的差别。

架构是 NaViT 动态分辨率视觉编码器 + ERNIE-4.5-0.3B 语言模型，既轻又准。

上手感受：从安装到出结果

第一步：安装。 官方推荐 pip 直接装，依赖比想象中轻——3.2.0 之后核心依赖和可选依赖拆开了，基础识别只需要核心包。

第二步：选模型。

• 只识别文字 → PP-OCRv5
• 解析文档结构 → PP-StructureV3
• 想要最强效果且能跑 GPU → PaddleOCR-VL-1.6

我的建议：先用 PP-StructureV3 起步，95% 的需求都能覆盖，要做 RAG 进阶再上 VL 系列。

第三步：先在线试效果。 官方有 Web 体验站（paddleocr.com），上传图片直接出结果，决策成本很低——先在网页确认效果，再决定要不要本地部署。

第四步：部署。 硬件支持非常全：NVIDIA GPU、Intel CPU、昆仑芯 XPU、各种 NPU。还有 C++、C#、Java 的服务化方案。3.5.0 之后还出了 PaddleOCR.js——浏览器里直接跑 PP-OCRv5，前端同学也能做本地 OCR 小应用。

踩坑提醒：

• Windows 装 PaddlePaddle，50 系显卡要装 3.1.1 版本以上才支持
• 第一次跑 VL 模型会下载几百 MB 权重，国内建议配镜像
• 想最快推理，记得开高性能推理（OpenVINO/TensorRT 加速）

和其他方案比

简单说下我用过的几个方案的感受：

• Tesseract：老牌轻量，但中文效果差、复杂版面跪
• 商业云 OCR：接入快，但按量付费长期不划算，数据要出本地
• PaddleOCR：开源免费、中文 SOTA、生态完整、印章/古籍/表格强，代价是模型偏大、需要部署成本

结论：如果你的场景是中文、要处理 PDF/扫描件、想自部署、要做 RAG——PaddleOCR 基本闭眼选。 如果只是偶尔识别英文截图，Tesseract 就够用。

什么人适合用

强烈推荐： 做 RAG/Agent 项目的开发者、需要处理大量 PDF 入库的团队、中文文档处理场景（合同、财报、论文、票据）、对数据合规有要求的企业。

可以试试： 想给 App 集成 OCR 的独立开发者、做笔记类工具的产品、需要论文公式/表格抽取的学术党。

不太合适： 只识别几张英文图片的临时需求、完全没有 Python 环境不想折腾部署的小白（直接用官方在线版）。

我的判断

在 AI 应用爆发的当下，"喂数据给模型"的能力，有时候比模型本身更值钱。

一个稳定、准确、能本地化部署的 OCR 引擎，就是 AI 项目的"水电煤"。PaddleOCR 把这件事做到了开源天花板——80k 星不是吹的，中文场景下我目前没找到能稳定打过它的开源方案。

如果你正在做 RAG、做 Agent、做文档智能，值得 clone 下来试试。

工具地址：

• GitHub 仓库：https://github.com/PaddlePaddle/PaddleOCR^[1]
• 官方体验站：https://www.paddleocr.com^[2]
• 完整文档：https://www.paddleocr.ai^[3]

引用链接