Chinese Handwriting Ocr

中文OCR双引擎 — PaddleOCR(主力文档OCR) + RapidOCR(手写体特化)，按需灵活切换

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