1、背景

PaddleOCR: 基于飞桨的OCR工具库，包含总模型仅8.6M的超轻量级中文OCR，单模型支持中英文数字组合识别、竖排文本识别、长文本识别。同时支持多种文本检测、文本识别的训练算法。对pdf/word里的表格中识别出有效信息具有重要意义，比如从公司的财报表格里提取出利润、销售额等不同维度的统计指标，从审查报告、调研报告以及不同的合同，诊疗单的固定表格中提取出结构化的信息供下游使用的场景多，对提升自动化获取知识的有很大的作用。

2、PaddleOCR的原理

     paddleocr的套件组包括了:底座的paddlepaddle实现深度学习的通用框架、paddleocr实现图片的识别、ppstructure、paddleclas几大组件，其中paddleclas是用来进行分类的组件，PP-Structure实现从图片识别表格，图片会先经由Layout-Parser进行版面分析，在版面分析中，会对图片里的区域进行分类，包括文字、标题、图片、列表和表格等5类。对于前4类区域，直接使用PP-OCR完成对应区域文字检测与识别。对于表格类区域，经过表格结构化处理后，表格图片转换为相同表格样式的结构化文件。

paddleocr的整体架构如下：

paddleocr中模型的列表

3、PaddleOCR的安装过程

本次安装过程是在python3.8.13环境下安装，对 PyMuPDF要求python 3.8及以上。

（1）paddleocr 2.7.0版本。

依赖

（2）安装paddlepaddle 2.6.0版本。

安装paddlepaddle的依赖包如下：

astor==0.8.1,decorator==5.1.1,opt==einsum==3.3.0,paddlepaddle==2.6.0

（3）安装paddleclas的2.5.1版本

paddleclas的依赖包如下：

prettytable==3.9.0,ujson==5.9.0,opencv-python==4.6.0.66,pillow==10.2.0,tqdm==4.66.1,PyYAML==6.0.1,visualdl==2.5.3,scipy>=1.0.0,scikit-learn==1.3.2,gast==0.5.4,faiss-cpu==1.7.1.post3,easydict=1.11,paddleclas==2.5.1

（4）碰到问题解决：

a、Python3 No module named '_sqlite3'错误

解决方法：源码安装完sqlit后，再设定python的setup.py重新编译安装python。

b、在安装faiss-cpu的源码安装中出现：fatal error: ft2build.h: 没有那个文件或目录

解决方法：出现编译安装导致的一些问题，能通过安装whl文件来解决。

（5）总结：a、pip安装过程使用--no-dependencies选项：会防止pip安装此包的所有依赖库;使用--ignore-installed选项:会忽略已安装的依赖库,根据新的需要重新安装。

参照

https://www.cnblogs.com/laityguanguan/p/16186852.html

b、python的相关镜像有：

百度：https://mirror.baidu.com/pypi/simple

阿里云: Simple Index

中国科技大学: Simple Index

豆瓣(douban): Simple Index

清华大学: Simple Index

4、PaddleOCR的使用例子

首次使用paddleocr时会自动执行：

运行过程会自动加载：106个参数

解析结果如下：

解析png格式的图片报

libpng error: IDAT: bad parameters to zlib，经过一番研究没有解决，改成jpg格式后，正常识别。

识别结果：

从识别结果上看可分为三部分：第一部分是boundingbox的矩形框，四个点的坐标，依次按顺时针从左上、右上、右下、左下。带有boundingbox的图片如下

仔细分析了boundingbox的边框可以发现并不是标准的矩形框，会出现边框左宽右窄的情况。

5、paddleocr模型的训练：

        PaddleClas支持多种前沿图像分类、识别相关算法，发布产业级特色骨干网络PP-HGNet、PP-LCNetv2、 PP-LCNet和SSLD半监督知识蒸馏方案等模型，在此基础上打造PULC超轻量图像分类方案和PP-ShiTu图像识别系统

doc/doc_ch/table_recognition.md · PaddlePaddle/PaddleOCR - Gitee.com