OCR 引擎¶
在 Doctra 中使用 OCR 进行文本提取的指南。
概述¶
Doctra 支持两种 OCR 引擎进行文本提取：
- PyTesseract（默认）- 传统的 Tesseract OCR 引擎，具有广泛的语言支持
- PaddleOCR - PaddleOCR 3.0 发布的高级 PP-OCRv5_server 模型，提供卓越的准确性和性能
您可以根据需要选择这些引擎。PyTesseract 是默认引擎，适用于大多数用例，而 PaddleOCR 为复杂文档提供更高的准确性。
选择 OCR 引擎¶
Doctra 对 OCR 引擎使用**依赖注入模式**。您在外部初始化 OCR 引擎并将其传递给解析器。这提供了更清晰的 API，避免了混合配置，并允许在多个解析器之间重用 OCR 引擎。
PyTesseract（默认）¶
PyTesseract 是默认的 OCR 引擎，适用于大多数文档。它提供广泛的语言支持和细粒度控制。
from doctra import StructuredPDFParser
from doctra.engines.ocr import PytesseractOCREngine
# 选项 1：使用默认的 PyTesseract（如果 ocr_engine=None 则自动创建）
parser = StructuredPDFParser() # 内部创建默认的 PytesseractOCREngine
# 选项 2：显式配置 PyTesseract
tesseract_ocr = PytesseractOCREngine(
lang="eng",
psm=6,
oem=3
)
parser = StructuredPDFParser(ocr_engine=tesseract_ocr)
PaddleOCR with PP-OCRv5_server¶
PaddleOCR 提供高级的 PP-OCRv5_server 模型（PaddleOCR 3.0 中的默认模型），提供：
- **更高的准确性**用于复杂文档
- **更好的性能**在 GPU 上
- **高级文本检测**和识别
- 自动模型管理（模型自动下载）
from doctra import StructuredPDFParser
from doctra.engines.ocr import PaddleOCREngine
# 初始化 PaddleOCR 引擎
paddle_ocr = PaddleOCREngine(
device="gpu", # 如果没有 GPU 则使用 "cpu"
use_doc_orientation_classify=False,
use_doc_unwarping=False,
use_textline_orientation=False
)
# 传递给解析器
parser = StructuredPDFParser(ocr_engine=paddle_ocr)
重用 OCR 引擎¶
依赖注入模式的一个好处是您可以创建一次 OCR 引擎并在多个解析器之间重用：
from doctra.engines.ocr import PytesseractOCREngine
from doctra import StructuredPDFParser, EnhancedPDFParser
# 创建一次 OCR 引擎
shared_ocr = PytesseractOCREngine(lang="eng", psm=6, oem=3)
# 在多个解析器之间重用
parser1 = StructuredPDFParser(ocr_engine=shared_ocr)
parser2 = EnhancedPDFParser(ocr_engine=shared_ocr)
parser3 = StructuredPDFParser(ocr_engine=shared_ocr)
PyTesseract 参数¶
这些参数在初始化 PytesseractOCREngine 时配置：
- lang
- Tesseract 语言代码
-
eng：英语 -fra：法语 -spa：西班牙语 -deu：德语 - 多个：eng+fra - psm
- 页面分割模式
-
3：自动 -4：假设单列文本（默认） -6：统一文本块 -11：稀疏文本 -12：带 OSD 的稀疏文本 - oem
- OCR 引擎模式
-
0：传统 -1：神经网络 LSTM -3：默认（两者） - extra_config
- 额外的 Tesseract 配置字符串
示例：
from doctra.engines.ocr import PytesseractOCREngine
ocr = PytesseractOCREngine(
lang="eng",
psm=6,
oem=3,
extra_config=""
)
PaddleOCR 参数¶
这些参数在初始化 PaddleOCREngine 时配置：
- device
- 用于 OCR 处理的设备
-
"gpu"：使用 GPU 加速（默认，如果可用则推荐） -"cpu"：使用 CPU 处理 - use_doc_orientation_classify
- 启用文档方向分类模型（默认：
False） - 自动检测和校正文档方向 - use_doc_unwarping
- 启用文本图像校正模型（默认：
False） - 校正扫描文档中的透视失真 - use_textline_orientation
- 启用文本行方向分类模型（默认：
False） - 处理旋转的文本行
示例：
from doctra.engines.ocr import PaddleOCREngine
ocr = PaddleOCREngine(
device="gpu",
use_doc_orientation_classify=False,
use_doc_unwarping=False,
use_textline_orientation=False
)
注意：PP-OCRv5_server 模型在 PaddleOCR 3.0 中默认自动使用。模型在首次使用时自动下载并缓存以供将来使用。
提高准确性¶
1. 选择正确的 OCR 引擎¶
对于复杂文档或准确性至关重要时，考虑使用 PaddleOCR：
from doctra import StructuredPDFParser
from doctra.engines.ocr import PaddleOCREngine
paddle_ocr = PaddleOCREngine(device="gpu")
parser = StructuredPDFParser(ocr_engine=paddle_ocr)
2. 增加 DPI¶
更高的分辨率可提高两个引擎的文本识别：
3. 使用图像恢复¶
在 OCR 之前增强文档质量：
from doctra import EnhancedPDFParser
from doctra.engines.ocr import PaddleOCREngine
paddle_ocr = PaddleOCREngine(device="gpu")
parser = EnhancedPDFParser(
use_image_restoration=True,
ocr_engine=paddle_ocr # 与 PaddleOCR 结合以获得最佳结果
)
4. 正确语言（PyTesseract）¶
对于 PyTesseract，在初始化引擎时指定文档语言：
from doctra import StructuredPDFParser
from doctra.engines.ocr import PytesseractOCREngine
tesseract_ocr = PytesseractOCREngine(lang="fra") # 用于法语文档
parser = StructuredPDFParser(ocr_engine=tesseract_ocr)
多语言文档（PyTesseract）¶
PyTesseract 支持多种语言。在初始化引擎时配置：
from doctra import StructuredPDFParser
from doctra.engines.ocr import PytesseractOCREngine
tesseract_ocr = PytesseractOCREngine(lang="eng+fra+deu") # 多种语言
parser = StructuredPDFParser(ocr_engine=tesseract_ocr)
何时使用每个引擎¶
使用 PyTesseract 当：¶
- 处理标准文档
- 需要多语言支持
- 想要对 OCR 参数进行细粒度控制
- 仅 CPU 环境
使用 PaddleOCR 当：¶
- 处理复杂或退化的文档
- 需要最大准确性
- 有 GPU 可用于更快处理
- 处理亚洲语言（更好的支持）
- 处理大批量文档