PaddleOCR Text Recognition

核心用法

PaddleOCR Text Recognition 是基于百度飞桨深度学习框架的开源OCR技能，用于从图片、截图、扫描件中提取机器可读文本。核心工作流程：通过 ocr_caller.py 脚本调用PP-OCRv5模型API，支持URL或本地文件输入，返回含行级文本与可选检测框坐标的JSON结果。

主要命令模式：

• python scripts/ocr_caller.py --file-url "URL" --pretty — 远程图片识别
• python scripts/ocr_caller.py --file-path "./file.pdf" --pretty — 本地文件识别
• 支持 --stdout 直接输出、--output 自定义保存路径

显著优点

1. CJK语言优势：针对中文、日文、韩文优化，小字号印刷体与手写体识别准确率高
2. 行级精度输出：提供文字检测框坐标（bbox），支持版面分析与精准定位
3. 开源生态：底层PaddlePaddle框架由百度维护，模型持续迭代（当前PP-OCRv5）
4. 灵活部署：支持云端API与私有化部署，企业级可定制

潜在局限与风险

| 维度 | 说明 |

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

| 依赖外部API | 需配置 `PADDLEOCR_OCR_API_URL` 与 `PADDLEOCR_ACCESS_TOKEN`，服务可用性依赖第三方 |

| 复杂版面限制 | 不处理表格结构、公式排版、阅读顺序恢复，仅输出纯文本行 |

| 性能瓶颈 | 50页以上PDF需数分钟处理，大文件存在超时风险 |

| 数据隐私 | 图片需上传至配置的API端点，敏感文档存在泄露风险 |

适合人群

• 需要批量提取图片/扫描件文字的研发人员与自动化流程
• 处理中文票据、证件、手写笔记的办公场景
• 不适合：追求版式还原的出版业、含复杂表格的财务文档处理

常规风险提醒

• 凭证管理：Token为40位字符串，建议通过宿主应用配置界面存储，避免聊天窗口明文暴露
• 配额监控：API存在日调用限额（429错误），生产环境需监控用量
• 结果校验：低置信度区域（rec_scores < 0.8）建议人工复核，尤其关键数字场景

核心用法

PaddleOCR Text Recognition Skill 是一款基于百度PaddlePaddle开源项目的OCR文字识别工具，专用于从图像、截图、扫描件及PDF中提取机器可读的纯文本内容。

触发条件与使用场景

自动触发关键词：OCR、文字识别、图片转文字、截图识字、提取图中文字、扫描识字、image to text、screenshot、photo scan、recognize text等。

适用场景：

• 从本地图片或URL链接提取文本（支持PNG/JPG/PDF/TIFF/WebP等格式）
• 需要行级或检测框(bbox)级别文本坐标的场景
• 中文/日文/韩文(CJK)、手写体、小字号印刷体识别

不适用场景：

• 纯文本文件直接读取（无需OCR）
• 复杂表格、公式、图表结构解析（需使用Document Parsing技能）
• 不涉及图像转文本的任务

执行流程

1. 输入源识别：支持--file-url（网络图片）或--file-path（本地文件）
2. 执行OCR：通过Python脚本调用PaddleOCR API，单页1-3秒，50页以上PDF可能需数分钟
3. 结果解析：JSON响应包含ok（成功状态）、text（提取文本）、result（原始API数据）
4. 结果呈现：必须完整显示全部文本，禁止摘要或截断（>10,000字符除外）

输出选项

• 默认保存至系统临时目录（路径打印在stderr）
• --output指定自定义路径
• --stdout直接输出到控制台不保存文件

显著优点

1. 权威技术底座：基于百度PaddlePaddle深度学习框架，PP-OCRv5模型在CJK文字识别领域处于业界领先地位
2. 多语言优势：对中文、日文、韩文识别准确率显著优于通用OCR引擎
3. 手写体支持：可处理印刷体和手写体混合场景
4. 小字识别：对低分辨率、小字号文本有专门优化
5. 坐标输出：可选返回检测框(bbox)坐标，支持后续版面分析
6. 格式兼容广：支持PDF、多种图像格式，自动类型检测

潜在缺点与局限性

1. 数据出境风险：图像需上传至PaddleOCR云端API处理，敏感文档存在合规顾虑
2. 依赖外部API：需自行注册获取PADDLEOCR_OCR_API_URL和PADDLEOCR_ACCESS_TOKEN
3. 无离线能力：必须联网，无法本地私有化部署（Skill版本限制）
4. 复杂版面局限：不保留表格结构、阅读顺序，仅返回纯文本流
5. 配额与成本：API调用有速率限制和每日配额，大规模使用需付费升级
6. 无视觉理解：仅提取文字，不具备图像内容理解或推理能力

适合人群

• 办公用户：需要快速提取截图、扫描件中的中文文本
• 内容编辑者：将纸质材料、图片中的文字转为可编辑格式
• 开发者/数据工程师：需要OCR能力集成到文本处理流水线
• 研究人员：处理历史文档、手写笔记数字化
• 非敏感场景用户：不涉及机密、隐私数据的通用OCR需求

常规风险

| 风险类型 | 说明 | 缓解措施 |

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

| 数据出境 | 图像上传至百度/第三方服务器 | 避免处理含敏感个人信息、商业机密、国家秘密的文档；阅读PaddleOCR隐私政策 |

| API凭证泄露 | Token配置不当可能导致未授权访问 | 使用环境变量配置，禁止硬编码；利用宿主应用的安全配置机制 |

| 识别错误 | OCR误识别导致下游决策错误 | 对关键信息人工复核；利用置信度分数(`rec_scores`)筛选低置信度区域 |

| 服务不可用 | 网络故障或API配额耗尽 | 本地缓存重要结果；监控配额使用；实现重试机制 |

| 隐私合规 | 不符合GDPR/CCPA等数据最小化原则 | 仅上传必要图像；及时清理临时文件；获取用户明确同意 |

安全配置检查清单

• [ ] 已设置PADDLEOCR_OCR_API_URL和PADDLEOCR_ACCESS_TOKEN环境变量
• [ ] 确认API endpoint使用https://协议
• [ ] 了解并接受数据出境处理条款
• [ ] 已配置合理的超时时间(PADDLEOCR_OCR_TIMEOUT)
• [ ] 确认图像分辨率≥300 DPI以获得最佳效果