OCR与文档理解

OCR将图像中的文字转换为机器可读文本。文档理解在OCR之上添加布局分析和语义理解。

类型: 学习+构建 语言: Python 前置知识: Phase 4 Lesson 07 (U-Net), Phase 4 Lesson 14 (ViT) 时间: 约60分钟

学习目标

• 解释OCR管线：文字检测、文字识别、后处理
• 使用Tesseract和TrOCR进行文字识别
• 理解文档理解：布局分析、表格提取、关键信息抽取
• 使用LayoutLM和Donut进行端到端文档理解

问题所在

世界上大部分信息存储在文档中——发票、合同、表格、收据、身份证。这些文档的数字版本是图像，其中的文字不能直接搜索、编辑或分析。OCR（光学字符识别）将这些图像中的文字转换为机器可读文本。

传统OCR（Tesseract）在印刷体上工作良好，但在手写体、复杂布局、低质量扫描上表现差。现代OCR使用深度学习（TrOCR、PaddleOCR）显著提升了鲁棒性。文档理解更进一步：不仅识别文字，还理解文档结构（标题、段落、表格）和语义（发票号、日期、金额）。

核心概念

OCR管线

文字检测

定位图像中的文字区域：

• CRAFT — 检测字符级别的区域，适合弯曲文字
• PaddleOCR DB — 可微二值化，快速且准确
• EAST — 任意方向文字检测

文字识别

将裁剪的文字图像转换为文本：

• CRNN — CNN特征提取 + LSTM序列建模 + CTC解码
• TrOCR — Transformer编码器（ViT）+ Transformer解码器，最先进
• PaddleOCR SVTR — 纯Transformer，快速

文档理解

超越OCR，理解文档结构：

• LayoutLM — 在文本、布局和图像上进行多模态预训练
• LayoutLMv3 — 统一文本、图像和布局
• Donut — 端到端文档理解，无需OCR
• Nougat — 学术文档解析，输出Markdown

构建它

步骤1：使用Tesseract

import pytesseract
from PIL import Image

image = Image.open("document.png")
text = pytesseract.image_to_string(image, lang="chi_sim+eng")
print(text)

步骤2：使用TrOCR

from transformers import TrOCRProcessor, VisionEncoderDecoderModel

processor = TrOCRProcessor.from_pretrained("microsoft/trocr-base-handwritten")
model = VisionEncoderDecoderModel.from_pretrained("microsoft/trocr-base-handwritten")

image = Image.open("handwriting.png").convert("RGB")
pixel_values = processor(image, return_tensors="pt").pixel_values
generated = model.generate(pixel_values)
text = processor.batch_decode(generated, skip_special_tokens=True)[0]

使用它

生产OCR选择：

• Tesseract — 印刷体，免费，多语言
• PaddleOCR — 中文最佳，端到端
• TrOCR — 手写体最佳
• Donut — 端到端文档理解

发布它

本课产出：

• outputs/prompt-ocr-pipeline-picker.md — 一个提示，根据文档类型和质量选择OCR方案。
• outputs/skill-document-layout-analyzer.md — 一个技能，分析文档布局并提取结构化信息。

练习

1. (简单) 用Tesseract和TrOCR分别识别同一文档，比较结果。
2. (中等) 构建发票信息提取管线：OCR + 正则表达式提取发票号、日期、金额。
3. (困难) 微调Donut在自定义文档格式上进行关键信息抽取。

关键术语

延伸阅读

• TrOCR (Li et al., 2022) — Transformer OCR
• PaddleOCR — 中文OCR最佳实践
• Donut (Kim et al., 2022) — 端到端文档理解