爷爷留下了一本泛黄的菜谱，纸页被油渍浸透、字迹歪歪扭扭，调料用量还用手画的小表格记着。你想把它变成手机里随时能翻的电子文档，可一个字一个字地敲，恐怕要忙活整个周末。于是你请来两位“阅读师傅”：一位是老印刷厂的退休校对老T（Tesseract），便宜、轻快、经验丰富；另一位是数字化公司的年轻工程师小P（PaddleOCR），装备精良、专治各种疑难杂症。OCR，就是专门做“把图片里的文字读出来”这门手艺的工具。两位师傅各怀绝技：老T对印刷工整的英文书一目十行，可一碰上油渍和手写体就直摇头；小P则先用药水小心清理纸面、再逐字辨认，连小表格都能还原得整整齐齐，只是需要的装备更沉。这篇文章，我们就跟着两位师傅，把“文字识别”彻底弄明白，并学会在真实项目中选出最合适的“阅读家丁”。

岗位关联

学完你将：掌握两大 OCR 引擎的安装、调用与效果差异，能在文档数字化、RAG 前置处理、票据识别等真实场景中快速选型，并写出可直接上线的识别流程。

目录
  1. 可视化演示
  2. OCR 核心原理：先擦镜片，再圈字，最后念字
  3. PaddleOCR 上手：数字化公司的专业团队
  4. Tesseract 上手：印刷厂的老字号师傅
  5. 双雄实力对比：同一本菜谱，两种表现
  6. 部署与优化：把师傅请到合适的工位
  7. 选型决策指南：三问问出正确答案
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示PaddleOCR与Tess的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

PaddleOCR与Tess：Padd PaddleOCR与Tesse 安装部署与API调用实战 核心机制可视化 PaddleOCR与Tess整体架构与关键组件

OCR 核心原理：先擦镜片，再圈字，最后念字

老校对要读爷爷的菜谱，绝不会翻开就念。他先抬起老花镜擦了擦镜片——把纸上的油渍、水印、褶皱都过一遍，让字更清楚；再眯起眼扫一圈，心里给每行字画个框；最后才逐字念出来。OCR 引擎干的就是同样三件事。

OCR 全称“光学字符识别”，本质是把图片里的人类文字转成计算机能编辑的文本。它不是一个“看图说话”的魔法，而是一条流水线：图像预处理、文字检测、文字识别。任何一步掉链子，后面全是散沙。

预处理负责把彩色、有噪声的图片变成干净的黑白图，相当于“擦镜片”；文字检测负责回答“字在哪”，用矩形框圈出每个文字区域，检测质量用 IoU 衡量；文字识别负责回答“是什么字”，输出文本和置信度。检测框与真实文字的贴合程度，直接决定后续识别的成败。

老T和小P的差异，本质上就是这三道工序做得细不细。老T的厂里只教了他“念字”，擦镜片和画框都得自己凑合；小P的公司则把三道工序都做成了专业工具，还配了流水线工位。

IoU=A∩BA∪B\displaystyle \text{IoU} = \frac{\text{A} \cap \text{B}}{\text{A} \cup \text{B}}
IoU 衡量检测框和真实框的重合程度：1 表示完全重合，0 表示完全没重合，OCR 检测通常要求 IoU 在 0.5 以上才算合格。
  1. 预测框「A」算法圈出的文字区域，比如把“材料”二字用一个矩形框住。框的位置由检测模型预测。
    A\text{A}
  2. 真实框「B」人工标好的正确答案，表示文字真正所在的位置，是评估时的参照物。
    B\text{B}
  3. 交集面积「A∩B」两个矩形重叠区域的面积，重叠越大说明预测框贴得越紧。
    A∩B\text{A} \cap \text{B}
  4. 并集面积「A∪B」两个矩形合起来覆盖的总面积，用它做分母可以惩罚“框得过大”的偷懒行为。
    A∪B\text{A} \cup \text{B}
  5. 除法求比值交集除以并集得到 0 到 1 之间的数，越接近 1 表示检测越精准，OCR 任务通常要求 0.5 以上。
    A∩BA∪B\frac{\text{A} \cap \text{B}}{\text{A} \cup \text{B}}

PaddleOCR 上手：数字化公司的专业团队

小P来自数字化公司，接活前先开“工单”——把 PaddleOCR 装进电脑，就等于整支装备精良的队伍入驻了。它是百度开源的深度学习 OCR 工具，中文生态是它的主场。

安装只需一条命令：pip install paddlepaddle paddleocr。调用也非常简单：ocr = PaddleOCR(lang="ch") 加载中文模型，result = ocr.ocr(img) 就能同时拿到检测框、文本和置信度。内置的 PP-OCR 系列模型已经把“预处理、检测、识别”整条流水线都打包好了。

识别能力上，PP-OCR 对中英文、竖排、倾斜文字都有专门优化。更进一步，PP-Structure 模块提供版面分析（自动分出标题、正文、表格、图片）和表格识别（输出 HTML 或 Excel 表格）。要评估识别效果，最直观的指标就是字准确率。

小P把整本菜谱拆成了“标题、正文、材料、调料表”，甚至把调料表还原成一行行电子表格——这正是 PP-Structure 的版面分析与表格识别带给你的体验：不只读出字，还读懂结构。

Acc=NcorrectNtotal×100%\displaystyle \text{Acc} = \frac{N_{\text{correct}}}{N_{\text{total}}} \times 100\%
字准确率 = 识别对的字数 ÷ 总字数。90% 的字准确率意味着每 100 个字有 10 个识别错误。
  1. 正确字符数「N_correct」引擎识别出来的文字中，和标准答案逐字比对后完全一致的字数。
    NcorrectN_{\text{correct}}
  2. 总字符数「N_total」标准答案一共有多少个字，标点是否计入按任务约定。
    NtotalN_{\text{total}}
  3. 相除求比例正确字数除以总字数，得到一个小数，比如 0.92。
    NcorrectNtotal\frac{N_{\text{correct}}}{N_{\text{total}}}
  4. 化为百分数乘以 100% 得到直观的百分制准确率，92% 意味着每 100 个字错 8 个。
    NcorrectNtotal×100%\frac{N_{\text{correct}}}{N_{\text{total}}} \times 100\%

Tesseract 上手：印刷厂的老字号师傅

老T蹲在印刷厂角落，工具箱里只有一把放大镜和一本万年历——Tesseract 是谷歌开源的“爷爷级”OCR 引擎，诞生于上世纪八十年代，胜在轻巧、免费、稳定。

安装分两步：系统层装 Tesseract（Ubuntu 执行 apt install tesseract-ocr），Python 层再 pip install pytesseract。调用时只需一行：pytesseract.image_to_string(img, lang="chi_sim")。注意，它默认只带英文语言包，中文必须单独安装 tesseract-ocr-chi-sim。

老T最大的特点是“吃预处理”。它没有内置的擦镜片能力，图片脏了就得自己先用 OpenCV 做灰度化、去噪、二值化。二值化就是把灰度图变成纯黑纯白，让文字和纸面彻底分层，这一步做得越好，识别越准。

老T不是不能读，而是“给他什么图，他就读什么图”。你把菜谱擦得干干净净，他读得又快又准；你直接扔给他，他就把油渍也念进嘴里——预处理就是老T的命门。

out(x,y)={1if I(x,y)≥T0if I(x,y)<T\displaystyle \text{out}(x,y) = \begin{cases} 1 & \text{if } I(x,y) \ge T \\ 0 & \text{if } I(x,y) < T \end{cases}
二值化把灰度图变成纯黑纯白：亮度 ≥ 阈值的像素变 1（前景），否则变 0（背景），让文字与纸面彻底分层。
  1. 灰度值「I(x,y)」图片中某个像素的明暗程度，取值范围通常是 0（纯黑）到 255（纯白）。
    I(x,y)I(x,y)
  2. 阈值「T」人为设定的分界线，例如 127。低于它算暗，高于它算亮。
    TT
  3. 亮于阈值置 1亮度 ≥ T 的像素变成前景色 1，文字笔画通常靠这一步保留。
    I(x,y)≥T⇒1I(x,y) \ge T \Rightarrow 1
  4. 暗于阈值置 0亮度 < T 的像素变成背景色 0，油渍和阴影被“洗掉”。
    I(x,y)<T⇒0I(x,y) < T \Rightarrow 0

双雄实力对比：同一本菜谱，两种表现

同一本菜谱，让两位师傅各读一遍，再拿标准答案打分，高下立判。选工具也一样，要用数据说话。

中文识别上，PaddleOCR 优势明显，对常见汉字、长文本、竖排文字都更稳；Tesseract 需要语言包，且中文字形复杂、字符集大，误识率明显更高。复杂版面上，PaddleOCR 的 PP-Structure 能分清标题、正文、表格并保持阅读顺序；Tesseract 只会按行吐文本，遇到表格会乱序。性能资源上，Tesseract 体积小、纯 CPU 跑得飞快；PaddleOCR 模型更重，但支持 GPU 加速和量化压缩。至于干净英文印刷体，两者都能打，Tesseract 更轻。

要量化“谁更准”，业界常用字符错误率 CER，它把替换、删除、插入三类错误一起算进分母，比字准确率更严格。

老T适合“规规矩矩的印刷英文书”，小P适合“满身毛病的中文菜谱”。选人先看活，干活先看伤——了解差距，才能在真实项目里少走弯路。

CER=S+D+IN\displaystyle \text{CER} = \frac{S + D + I}{N}
字符错误率 =（替换 + 删除 + 插入错误）÷ 参考总字数，越接近 0 越好，是衡量 OCR 引擎最常用的指标之一。
  1. 替换错误「S」一个字被认成了另一个字，比如“醋”被念成“错”。
    SS
  2. 删除错误「D」原文有的字被漏掉，比如“酱油”只剩下“油”。
    DD
  3. 插入错误「I」原文没有的字被多念出来，比如“盐”后面多出一个“巴”。
    II
  4. 参考总数「N」标准答案的总字数，作为分母。
    NN
  5. 求和再相除三类错误的总数除以总字数，得到平均每个字犯错的概率，越小越好。
    S+D+IN\frac{S + D + I}{N}

部署与优化：把师傅请到合适的工位

选定师傅之后，还要决定把他请到哪儿干活：是塞进随身工具箱（本地脚本），还是入驻机房（服务端服务）。

本地部署最简单：PaddleOCR 两条 pip 命令加一行调用就能跑，适合个人脚本和离线小批量任务；Tesseract 更轻，装完语言包即可。服务端方面，PaddleOCR 有 PaddleX、PaddleServing 组成的“全家桶”，能直接部署成高并发的 OCR 服务；Tesseract 需要自己包一层 HTTP API。

性能优化的套路很清晰：GPU 加速（PaddleOCR 支持 CUDA）、模型裁剪与 INT8 量化、调节 CPU 线程数；批量场景则用线程池并发处理、结果缓存复用、按需加载语言包。吞吐量用 QPS 衡量，它决定了你的服务能扛住多大的流量。

小P团队搬家要备车备货，但搬进机房后一天能处理几万页；老T随叫随到，适合流量不大却要快速响应的角落——部署形态决定了各自的用工成本。

QPS=NpagesTseconds\displaystyle \text{QPS} = \frac{N_{\text{pages}}}{T_{\text{seconds}}}
QPS 即每秒处理页数，反映了 OCR 引擎在批量任务中的吞吐能力。QPS = 10 意味着每秒能识别 10 页。
  1. 处理页数「N_pages」一次批量任务中总共识别的图片页数。
    NpagesN_{\text{pages}}
  2. 总耗时「T」从开始到结束经过的总秒数，包括模型加载后的推理时间。
    TsecondsT_{\text{seconds}}
  3. 相除求吞吐页数除以秒数，得到每秒能处理多少页，数值越大批量效率越高。
    NpagesTseconds\frac{N_{\text{pages}}}{T_{\text{seconds}}}

选型决策指南：三问问出正确答案

请师傅不能只看名气，要看菜谱的“伤势”和“预算”。决策前先问三个问题：是不是中文？版面复不复杂？算力紧不紧张？

文档数字化场景，面对大批量扫描件和 PDF，直接选 PaddleOCR 全家桶——版面分析加表格识别一条龙，输出结构化文本。RAG 前置处理场景，文档加载阶段需要把扫描件变成带结构的 Markdown 再切片喂给 embedding，PaddleOCR 的版面信息能大幅提升切片质量。票据识别场景，中文小票、发票首选 PaddleOCR；英文小票、单号识别用 Tesseract 就够，省钱省力。

如果拿不准，可以用加权评分把决策量化：准确率、速度作为加分项，成本作为扣分项，按场景调权重。

三个问题问完，答案自己就浮出来了。没有最好的师傅，只有最合适的师傅——把需求量化成分数，选型就不再是拍脑袋。

Score=w1×Acc+w2×Speed−w3×Cost\displaystyle \text{Score} = w_1 \times \text{Acc} + w_2 \times \text{Speed} - w_3 \times \text{Cost}
综合评分 = 准确率加权 + 速度加权 − 成本加权。权重由场景决定：票据场景更看重准确率，日志场景更看重速度。
  1. 权重「w1」准确率在综合评比中的占比，由业务场景决定，比如票据场景设为 0.5。
    w1w_1
  2. 准确率「Acc」引擎在同类任务上的识别准确率，取值 0 到 1 之间。
    Acc\text{Acc}
  3. 权重「w2」加速度「Speed」速度越快加权分越高，适合日志、票据等海量场景。
    w2×Speedw_2 \times \text{Speed}
  4. 权重「w3」乘成本「Cost」GPU 费用、开发工时、维护成本都算作扣分项，算力越贵总分越低。
    −w3×Cost- w_3 \times \text{Cost}

AI 应用场景

场景一：RAG 前置处理——让扫描件喂进大模型

阶段：文档加载与处理（RAG 检索增强生成）

解决的问题：传统做法靠人工录入或简单 PDF 抽文本，扫描件和图片里的文字全部丢失，RAG 检索不到内容。用 OCR 把图片和扫描 PDF 变成带版面结构的文本，检索效果立竿见影。PaddleOCR 的 PP-Structure 能输出标题、段落、表格结构的 Markdown 文本，embedding 切块质量更高。

具体案例：某律所要把 10 万页历史扫描卷宗变成可检索知识库。此前外包录入花了三个月、错字率约 5%。改用 PaddleOCR 流水线后，一周完成转换，使用版面信息按阅读顺序重排出 Markdown 再接入检索，律师提问命中率明显提升。

场景二：票据识别——财务小票自动录入

阶段：信息抽取与结构化

解决的问题：财务每月几千张发票、小票，人工录入又慢又错。OCR 先把整页文字“炸”出来，再用正则或大模型抽取金额、日期、商家等关键字段。

具体案例：某连锁餐饮用 PaddleOCR 识别中文小票（背景彩色、字迹浅），字段抽取准确率从 82% 提升到 97%；海外英文发票用 Tesseract 快速预处理，省下不少算力开销。

场景三：边缘设备 OCR 识别

阶段：模型部署与推理

解决的问题：扫描仪、闸机、手持终端算力有限，装不下动辄几百 MB 的深度学习模型，需要极致轻量的方案。

具体案例：某仓库的票据采集终端用 Tesseract + OpenCV 预处理，在 ARM 设备上实现毫秒级英文单号识别；遇到中文需求则换用 PaddleOCR 的轻量移动端模型并做 INT8 量化，兼顾精度与速度。

Python 演示

python53 行
# -*- coding: utf-8 -*-import sysimport time try:    from paddleocr import PaddleOCRexcept ImportError:    PaddleOCR = None try:    import pytesseract    from PIL import Imageexcept ImportError:    pytesseract = None  def recognize_by_paddle(img_path):    if PaddleOCR is None:        return "paddleocr 未安装 请先执行 pip install paddlepaddle paddleocr"    ocr = PaddleOCR(lang="ch", use_textline_orientation=True)    result = ocr.ocr(img_path, cls=True)    texts = []    for item in result[0]:        texts.append(item[1][0])    return "\n".join(texts)  def recognize_by_tesseract(img_path):    if pytesseract is None:        return "pytesseract 未安装 请先安装 Tesseract 和中文语言包"    image = Image.open(img_path)    return pytesseract.image_to_string(image, lang="chi_sim+eng")  def main():    if len(sys.argv) < 2:        print("用法: python ocr_compare.py <图片路径>")        return    img_path = sys.argv[1]    engines = [        ("PaddleOCR", recognize_by_paddle),        ("Tesseract", recognize_by_tesseract),    ]    for name, func in engines:        print("=== %s ===" % name)        start = time.time()        text = func(img_path)        print(text)        print("耗时: %.2f 秒" % (time.time() - start))  if __name__ == "__main__":    main()
目的：在同一张图片上分别运行 PaddleOCR 与 Tesseract，输出各自的识别文本和耗时，直观对比两大引擎的中文识别效果与性能。
  1. ocr = PaddleOCR(lang="ch", use_textline_orientation=True)加载中文预训练模型并开启文本行方向识别，能处理歪斜文字。
  2. result = ocr.ocr(img_path, cls=True)一行同时完成文字检测与识别，cls=True 启用方向分类器。
  3. texts.append(item[1][0])每条结果第二项是 （文本，置信度） 元组，取下标 0 得到文字本身。
  4. pytesseract.image_to_string(image, lang="chi_sim+eng")用中文简体加英文语言包把整页图片直接转成字符串。
  5. Image.open(img_path)先用 PIL 打开图片，因为 pytesseract 接受图片对象或路径参数。
  6. if __name__ == "__main__":让脚本既能被 import 复用，又能在命令行直接执行。

常见误区

误区我以为 OCR 像人眼一样，随便一张模糊、歪斜的图片都能读对，结果把餐牌照片扔进去，认出半屏乱码。

正解OCR 是“预处理 → 检测 → 识别”的流水线，任何一步被噪声拖垮，后面都会崩。人眼自带强大的纠错神经，算法却没有。专业做法是先用校正、增强、二值化把图“擦干净”，再送进引擎。PaddleOCR 内置方向分类和矫正，Tesseract 则需要手动预处理。

为何常见：人眼看模糊字也能猜出来，初学者容易用生活经验推断算法能力，忽略图像质量对 OCR 的决定性影响。

误区我以为装上 Tesseract 就直接支持全世界语言，结果第一次识别中文输出一堆乱码和方块。

正解Tesseract 默认只带英文语言包，中文要单独安装 tesseract-ocr-chi-sim，并在调用时写 lang="chi_sim"。即使装了语言包，它对中文的识别能力也弱于 PaddleOCR 的深度学习模型。选型时这一点要心里有数。

为何常见：OCR 引擎常被当成“装好即用”的黑盒，安装文档里语言包的小字说明最容易被跳过。

误区我听说 PaddleOCR 是深度学习模型，就以为没 NVIDIA 显卡根本跑不起来，直接放弃了。

正解PaddleOCR 完全支持 CPU 推理，普通文档批量任务照样能跑，只是慢一些。还可以用模型裁剪、INT8 量化把 CPU 推理提速数倍。Tesseract 确实更轻，但“轻量”不等于“只有它能上 CPU”。

为何常见：深度学习 = 必须 GPU 是广泛存在的刻板印象，忽略了推理框架对 CPU 的成熟优化。

误区我直接把 OCR 吐出来的文本塞进 RAG 的向量库，心想反正能检索就行，结果用户搜什么都找不到。

正解OCR 原始输出常有错字、多余空格和阅读顺序错乱。RAG 前置处理要把表格还原成 Markdown、按版面顺序重排、必要时用大模型纠错，再交给 embedding 模型切块。没有清洗的 OCR 文本会把向量空间搅成一锅粥。

为何常见：demo 里展示的往往是精心挑选的图片，输出漂亮，掩盖了真实文档噪声大、结构乱的常态。

误区我以为表格识别就是整页 OCR 后按行硬拼，结果单元格内容全对不上，数字和表头错位。

正解表格识别需要“单元格定位 + 行列结构匹配”，PaddleOCR 的 PP-Structure 能输出带 HTML 标签的表格或 Excel，完整还原表头、合并单元格。Tesseract 没有原生表格识别能力，硬拼文本必然错乱。

为何常见：初接触结构化提取时，容易把“文本按行读”误当成“结构按表还原”，没意识到表格是二维结构。

面试题

Q1. OCR 全称对应的中文含义是什么？

单选题 · easy

  • A.光学字符识别← 正确答案
  • B.图像压缩编码
  • C.自然语言处理
  • D.语音信号识别

答案：A。OCR 是 Optical Character Recognition 的缩写，即光学字符识别，核心任务是把图片中的文字变成可编辑的文本。图像压缩、自然语言、语音处理都属于相邻但不同的领域。

Q2. PaddleOCR 加载中文模型时，官方推荐的语言参数是？

单选题 · easy

  • A.lang='ch'← 正确答案
  • B.lang='cn'
  • C.lang='zh'
  • D.lang='chi'

答案：A。PaddleOCR 使用 PaddleOCR(lang="ch") 指定中文模型，这是官方文档的标准写法。Tesseract 用 chi_sim 表示简体中文，两者语法不要混淆。

Q3. Tesseract 识别中文前必须安装什么？

单选题 · easy

  • A.中文语言包← 正确答案
  • B.GPU 驱动
  • C.中文词向量
  • D.预训练大模型

答案：A。Tesseract 默认只带英文语言包，中文需要安装 tesseract-ocr-chi-sim 并指定 lang="chi_sim"。它不依赖 GPU，也不需要词向量和大模型。

Q4. 在 OCR 的三大步骤中，“找到文字在图片的哪个位置”属于哪一步？

单选题 · mid

  • A.文字检测← 正确答案
  • B.图像预处理
  • C.文字识别
  • D.版面分析

答案：A。文字检测负责画出每个文字区域的框，回答“字在哪”；文字识别负责把框里的图像变成字符串；预处理负责擦干净图片；版面分析负责标题段落表格的结构分类。

Q5. PaddleOCR 的 PP-Structure 主要用于解决什么问题？

单选题 · mid

  • A.解析文档版面结构分类← 正确答案
  • B.将彩色图片转为灰度图
  • C.训练自定义的识别模型
  • D.压缩识别模型体积

答案：A。PP-Structure 是版面分析加表格识别工具，能判断标题、正文、表格等结构并把表格输出为 HTML。灰度化属于预处理，模型训练和压缩是另一套工具链。

Q6. 关于 Tesseract 的中文识别能力，下列说法正确的是？

单选题 · mid

  • A.安装语言包后可与中文厂商比肩
  • B.中文识别效果强于其英文识别
  • C.中文识别内置无需额外配置
  • D.中文支持依赖语言包并且效果偏弱← 正确答案

答案：D。Tesseract 中文需安装 chi_sim 语言包，且中文字符多、笔画复杂，识别效果明显弱于 PaddleOCR，也不如它自身的英文识别。指望它中文比肩国产方案是不现实的。

Q7. 批量票据识别场景中，合理的性能优化手段有哪些？

多选题 · mid

  • A.使用线程池并发处理← 正确答案
  • B.识别结果做缓存复用← 正确答案
  • C.无限提高图片分辨率
  • D.串行逐张调用最稳定

答案：AB。批量场景应组合线程池并发、结果缓存、模型量化等手段。无限提高图片分辨率只会拖慢速度，串行逐张调用吞吐太低，都不是正确的优化方向。

Q8. 关于检测框 IoU 的值与含义，下列说法正确的是？

单选题 · hard

  • A.数值越大表明框越准← 正确答案
  • B.数值有可能是负值
  • C.数值肯定远远大于一
  • D.数值为零表示完美重合

答案：A。IoU 是交集面积除以并集面积，取值在 0 到 1 之间。1 表示完全重合、检测框最准，0 表示完全没重合，不可能为负，也不会大于 1。

Q9. 下列哪些场景更适合选择 PaddleOCR 而非 Tesseract？

多选题 · hard

  • A.中文扫描版古籍数字化← 正确答案
  • B.复杂版面表格票据还原← 正确答案
  • C.大量纯英文印刷书识别
  • D.RAG 需要版面结构文本← 正确答案

答案：ABD。中文、复杂版面、需要版面结构文本是 PaddleOCR 的核心优势区。纯英文印刷体 Tesseract 完全胜任且更轻量，没必要动用 PaddleOCR 的重型装备。

Q10. 关于 OCR 在 RAG 前置处理中的应用，哪些说法正确？

多选题 · extreme

  • A.识别结果直接切片入库
  • B.表格还原成结构文本再切片← 正确答案
  • C.版面信息辅助文档阅读重排← 正确答案
  • D.识别错字不影响检索准确度

答案：BC。RAG 前置处理要求高：表格要还原成结构文本，版面信息用于阅读顺序重排，识别错字会污染 embedding 导致检索不准。OCR 原始输出必须清洗后才能切片入库。