本文是横评:本地跑 OCR 时,我用同一批中英扫描件对比 PaddleOCR、RapidOCR、Tesseract。比的是安装成本、中文效果、速度、部署友好,不是品牌口号。读完你应能选一个今晚装上,并跑通最小识别。
横评开场:同批扫描件我怎么控变量
结论先行:没有「永远第一」的 OCR,只有「你这台机器、这批扫描件、这周部署预算」下的第一。我控五件事:同一批约 20 张图(中文单据、英文说明、中英混排各若干);同一分辨率与压缩档;同一台笔记本或同一台小云机;记录安装耗时、中文关键字段错字、页均耗时;输出尽量统一成「文本 + 可选框坐标」。禁止用不同预处理流水线去比效果,那是在比增强不是比引擎。
阅读对象是个人项目与三人以内小团队:票据归档、合同扫描检索、本地知识库入库前的文字化。你若已经在云上买了商用 OCR 且合规绑死供应商,这篇横评对你参考意义有限——直接看厂商 SLA 即可。
评测当天我固定:灰度/彩色原图各一半;不先人工裁切表格(那是后处理);中文「关键字段」定义为抬头、金额、日期、姓名四类里出现的字。下面三节按同一模板写,末尾用表收口。

PaddleOCR:中文场景与生态更完整
适合谁:中文票据、表格、复杂版面多;能接受 Paddle 生态依赖;以后可能上方向分类、版面分析。不适合:你只想在纯 ONNX / 极简 pip 里五分钟看个 Demo,并且机器装 Paddle 特别痛苦。
安装观感:官方文档路径清晰,pip 安装后模型会下载;体量比「一个小 onnx」大。对我这种「中文效果优先」的路径,首周往往值得。Python API 示例多,社区中文资料也多。
中文效果:在我的同批扫描件里,印刷体中文与常见单据字段通常更稳;英文混排也可接受。速度:CPU 上中等偏慢于纯轻量 ONNX 方案,GPU 时观感好很多。部署:服务化要自己包一层;模型与版本要锁死,否则换机结果漂。
踩坑:依赖与模型体积容易吓到「只想识别十张图」的人;另一坑是把检测+识别流水线参数调乱,召回框变飞。先用默认中文配置跑通,再谈调参。
我还会单独记一列「版面类型」:纯段落、双栏、表格线、印章覆盖。PaddleOCR 在表格与印章场景往往更愿意继续挖;但你若只做简单收据标题识别,为它付安装时间不一定划算。把场景写进你的选型笔记,避免被「别人说中文最强」带跑。

RapidOCR:ONNX 工程化、上手更快
适合谁:想要离线、跨后端(ONNX Runtime 等)、pip 路径短;中英默认可用。不适合:你深度绑定 Paddle 训练自己的检测模型,还要无缝接同一套训练脚本——那更应留在 PaddleOCR 生态。
安装观感:官方推荐 pip install rapidocr onnxruntime 一类路径,体感轻。项目起源就是把 PaddleOCR 模型工程化到更易部署的格式,对「本机先跑通」友好。
中文效果:同批对比里,印刷体中文通常接近其上游模型能力;极端模糊或强透视时三者都会掉,别神话。速度:CPU 上常有不错观感,适合批处理脚本。部署:多语言/多后端是卖点;锁版本与模型文件哈希,避免静默升级。
踩坑:文档与包名随大版本可能调整,复制一年前的博客命令会失败——以当前仓库 README 为准。另一坑是只看 Demo 图好看,却没在自己的扫描压缩档上测错字率。
批处理脚本里我固定:失败重试一次、超时杀掉、把原图路径写入错误清单。RapidOCR 适合塞进夜间任务,但夜间任务最怕「静默半成功」——看起来跑完了,其实有三分之一空输出。空输出必须进告警,而不是只打一行 info。
Tesseract:经典开源、系统包随处可见
适合谁:系统已有 apt/brew 包;英文或简单版面为主;想要命令行 tesseract img out -l eng+chi_sim 立刻出结果。不适合:复杂中文版面、弯曲证件、强表格结构——你会花大量时间在预处理上,而不是「引擎自动搞定」。
安装观感:Linux 上包管理器常见;需另装语言包(如 chi_sim)。Python 可通过 pytesseract 包装。心智模型老派但稳:输入图 → 输出文本。
中文效果:同批里,清晰印刷尚可,复杂中文版面与噪点扫描通常弱于前两者(仍取决于训练与预处理)。速度:轻量场景很快。部署:二进制随处跑,容器里也好装;别指望它单独解决「表格还原成结构化 JSON」。
踩坑:忘记装中文语言包却抱怨「中文全乱」;把 JPEG 伪影很重的手机拍照直接丢进去却不二值化。Tesseract 吃预处理,这不是缺点,是阶段问题。
若你的流水线已经有 OpenCV 预处理(纠偏、去阴影、自适应阈值),Tesseract 仍可能是英文合同与简单表单的性价比之选。我不会因为它「老」就排除;我会问:你的图有多干净?中文有多密?要不要结构化框?
许可证与嵌入场景也要看一眼:发行版语言包与引擎版本要写进交付说明,避免客户环境缺 chi_sim。命令行可复现,是它相对「纯 Python 魔法」的优点。
对比表与选型结论
| 维度 | PaddleOCR | RapidOCR | Tesseract |
|---|---|---|---|
| 安装成本(个人本机) | 依赖与模型较重 | pip + ONNX 路径短 | 系统包常见;需语言包 |
| 中文印刷/单据 | 同批中通常更稳 | 接近上游,部署更轻 | 清晰印刷可用;复杂版面弱 |
| 速度观感(CPU) | 中等;GPU 更爽 | 常有优势 | 轻量场景快 |
| 部署友好 | 生态全,服务要自包 | 多后端,工程化好 | CLI/容器随处可见 |
| 我的默认建议 | 中文复杂版面优先 | 要轻量 ONNX 落地 | 英文/简单版面/系统已有 |
选型一句话:中文单据多 → 先 PaddleOCR;要轻量 ONNX 与短安装路径 → RapidOCR;英文为主或系统已有 Tesseract → 先它验证预处理。不要一晚上三个全装「都试试」却换预处理——控变量要求同一批图,执行上先打通一个闭环。
还要问自己两个部署问题:一是能不能离线(内网扫件常禁外网下模型);二是能不能接受首次下载几百兆模型。离线包要提前打进镜像。个人笔记本试玩可以现场下;交付给客户的脚本必须「断网也能跑」,否则你会被叫去当场修环境。
最后提醒:横评结论只对「你的扫描件分布」负责。换了手写快递单或极密表格,排名可能对调。把样本集当资产版本化,比收藏一篇测评更有用。
今晚落地:选定后安装与最小识别

下面三套最小路径,选一条做。验收标准相同:同一批 5 张图 → 人工核中文关键字段 → 导出文本或 JSON → 记下模型/语言包路径。
路径 A · PaddleOCR(以当前官方 README 为准)
pip install paddlepaddle paddleocr # 按官网选择 CPU/GPU 指引
# Python:from paddleocr import PaddleOCR
# ocr = PaddleOCR(...) # 中英配置按文档
# result = ocr.ocr("scan_01.png")
# 把文本行写入 out/scan_01.txt
路径 B · RapidOCR
pip install rapidocr onnxruntime
# from rapidocr import RapidOCR
# engine = RapidOCR()
# result = engine("scan_01.png")
# 打印文本;需要可视化再按文档 vis
路径 C · Tesseract
sudo apt-get install -y tesseract-ocr tesseract-ocr-chi-sim
tesseract scan_01.png out/scan_01 -l chi_sim+eng
# 或 pytesseract 包装同一语言包
配置要点。锁依赖版本;模型或语言包路径写进 README;批处理先跑 5 张再开 20 张;输出文件名与原图 basename 对齐,方便抽检。
翻车排查。中文全乱:先查语言包/模型是否真是中文。结果飘:对比是否换了压缩档或分辨率。极慢:查是否在 CPU 上开了过重配置,或目录在网络盘。空输出:看图是否其实是矢量截图被存成近白图、或权限读失败。
补一段「同批抽检怎么记」。我用一张表:文件名、引擎、耗时毫秒、关键字段人工对错、备注。前 5 张必须人工看;后面 15 张可以抽 5 张。谁说「我感觉 Rapid 更快」没有表,我就不采纳进结论。
若三者在某类图上全面失败(强反光、严重倾斜、手写为主),先停引擎之争,先做采集规范:补光、拍正、分辨率下限。引擎救不了采集纪律。
收尾:横评的目的不是让你收藏三份仓库,而是今晚选定一个、对同一批扫描件跑通识别、留下可复查的文本。闭环在手里,论文式对比可以明天再读。


评论列表 (0条):
加载更多评论 Loading...