中文OCR双引擎技能 v2.0

> 双引擎：PaddleOCR 通用文档OCR + RapidOCR 手写体特化，按场景自动/手动切换

引擎分工

| 场景 | 推荐引擎 | 理由 |

|------|---------|------|

| 印刷体文档、合同、报表 | --engine paddle | PaddleOCR中文印刷体识别率最高 |

| 手写体、日期、签名、工号 | --engine rapid | RapidOCR手写数字/文字准确率更高 |

| 混合文档（印刷+手写） | --engine auto | 自动检测内容类型切换 |

| 不确定用哪个 | --engine both | 双引擎交叉验证，取置信度高者 |

快速开始

# 手写体日期提取（默认RapidOCR）
python scripts/ocr_date_extractor.py 文档.pdf

# 指定引擎
python scripts/ocr_date_extractor.py 文档.pdf --engine rapid
python scripts/ocr_date_extractor.py 文档.pdf --engine paddle
python scripts/ocr_date_extractor.py 文档.pdf --engine both

# 提取特定区域手写文本
python scripts/ocr_rapid.py 文档.pdf --date-mode
python scripts/ocr_rapid.py 文档.pdf --signature-mode

核心脚本

ocr_date_extractor.py — 日期提取引擎

python scripts/ocr_date_extractor.py 文档.pdf [--engine rapid|paddle|both|auto]

四层流水线：

1. 动态日期行定位
2. 选定引擎OCR
3. 智能值域校验
4. 文档上下文推断

ocr_rapid.py — 手写体区域提取

python scripts/ocr_rapid.py 文档.pdf --date-mode --engine paddle
python scripts/ocr_rapid.py 文档.pdf --region 0.1 0.4 0.9 0.6 --engine both

ocr_batch.py — 批量处理

# 批量处理目录下所有PDF
python scripts/ocr_batch.py --batch-dir ./pdfs --engine auto

# 双引擎交叉验证
python scripts/ocr_batch.py --batch-dir ./pdfs --engine both --json -o results.json

引擎对比

| 指标 | PaddleOCR 2.8 | RapidOCR 1.4 |

|------|:-------------:|:------------:|

| 印刷体中文 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |

| 手写体数字 | ⭐⭐ | ⭐⭐⭐⭐ |

| 手写日期完全正确率 | 20% | 60% |

| 手写日期部分识别率 | 60% | 90%+ |

| 首次加载 | 慢（下载模型） | 快（缓存） |

| 速度 | 3-5s/页 | 2-3s/页 |

| 安装包 | ~200MB+模型 | ~55MB |

自动引擎选择逻辑 (--engine auto)

1. 全页低分OCR快速分析内容类型
2. 检测到"年/月/日"等日期关键字 → RapidOCR
3. 检测到大量印刷体文字 → PaddleOCR
4. 混合内容 → both（双引擎交叉验证）

参数参考

| 参数 | 说明 |

|------|------|

| --engine rapid\|paddle\|both\|auto | OCR引擎选择 |

| --json | JSON格式输出 |

| -p, --pages | 指定页码(1-based) |

| --region X1 Y1 X2 Y2 | 自定义区域(百分比0-1) |

| --batch | 批量处理目录 |

| --dpi | OCR分辨率(默认400) |

依赖

pip install rapidocr-onnxruntime    # 手写体引擎（已安装 ✅）
pip install paddleocr paddlepaddle  # 文档OCR引擎（已安装 ✅）

已知问题

• PaddleOCR 3.x + PaddlePaddle 3.x 存在 OneDNN 兼容问题，当前使用 2.x 版本
• 首次启动 PaddleOCR 需下载模型（~18MB）
• RapidOCR 多次调用可能产生进程残留，需定期清理