PaddleOCR：开源 OCR 与文档解析工具库

摘要

1) 一句话总结

PaddleOCR 是一个强大的开源轻量级 OCR 与文档 AI 引擎，致力于将图像和 PDF 转化为结构化数据（如 JSON 和 Markdown）以赋能大语言模型（LLM），支持超百种语言并具备极高的工业级可用性。

2) 关键点

• 项目热度与应用：基于 Python 开发，采用 Apache 2.0 开源协议，GitHub Star 数超 7.1 万，已被 MinerU、RAGFlow、cherry-studio 等 6000 多个项目集成使用。
• 核心模型 PaddleOCR-VL-1.5：最新（v3.4.0）发布的 0.9B 视觉语言模型（VLM），在 OmniDocBench v1.5 上达到 94.5% 的准确率；支持 111 种语言（新增藏语和孟加拉语），擅长处理倾斜、弯曲、扫描、复杂光照和屏幕拍摄等真实场景，并支持跨页长文档解析。
• PP-OCRv5 文本识别：单一模型支持简繁中文、英文、日文和拼音 5 种文本，准确率提升 13%；其多语言识别模型仅 2M 参数，支持 109 种语言，部分语言准确率较上代提升超 40%。
• PP-StructureV3 文档解析：可将复杂 PDF 和文档图像智能转换为 Markdown 和 JSON 文件，并完美保留原始文档的排版和层级结构。
• PP-ChatOCRv4 信息提取：原生集成 ERNIE 4.5 模型，关键信息提取准确率较上一代提升 15%。
• 生态与工具链集成：提供 MCP 服务器，支持与 Claude Desktop 等 Agent 应用无缝集成；同时提供涵盖模型训练、推理和部署的完整工具链。

3) 风险/缺口

• 版本兼容性风险：官方明确指出，PaddleOCR 3.x 引入了重大的接口变更，基于 PaddleOCR 2.x 编写的旧代码很可能与 3.x 版本不兼容。

功能与定位

Turn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.

典型使用场景

• 用于模型训练、微调、推理或文档解析等基础能力建设。
• 作为上层 AI 应用的数据与模型基础设施。

核心功能

• 提供模型/推理相关核心能力。
• 支持与主流 AI 工具链协同。
• 兼顾实验验证与工程落地场景。

特色与差异点

• 仓库长期活跃，最近更新时间为 2026-02-22T12:20:56Z。
• 项目创建于 2020-05-08T10:38:16Z，具备持续迭代与社区沉淀。
• 以 Python 为主语言，聚焦该技术栈的工程实践。

使用方式概览

1. 阅读仓库 README 与官方文档，确认适配场景与依赖条件。
2. 按项目推荐方式完成安装与初始化，再从示例或最小流程开始验证。
3. 在生产使用前补齐权限控制、日志监控和版本固定策略。

限制与注意事项

• 使用前应先核对许可证、项目维护状态与安全边界。

链接

• 仓库：https://github.com/PaddlePaddle/PaddleOCR
• 官网：https://www.paddleocr.com
• README：https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/main/README.md
• Releases：https://github.com/PaddlePaddle/PaddleOCR/releases

关联主题

• AI
• ocr
• llm
• multimodal
• mcp
• Agent
• markdown
• github