一句话结论:批量把中文截图、扫描件、翻拍件转成文本,装 RapidOCR 3.10 就够用,十二张测试图里九张错字率为零;Tesseract 5.5 只有在必须沿用现成流水线时才值得留,代价是 --psm 与语言包档位要自己调,配错时错字率从 0.016 跳到 0.92。
两套引擎装在哪,先看体积
RapidOCR 是 PaddleOCR 模型转成 onnx 之后的运行包,模型文件随 wheel 一起落盘,装完就能离线跑。Tesseract 是纯 C++ 的老牌引擎,二进制很小,但它只带英文,中文要单独下语言包。
| 项目 | RapidOCR 3.10.0 | Tesseract 5.5.4 |
|---|---|---|
| 安装命令 | pip 装 Python 包 | brew 装二进制 |
| 磁盘占用 | 281MB(虚拟环境全量) | 65MB(程序 25MB 加语言包 40MB) |
| 模型是否内置 | 内置,31MB(检测 9.5MB、识别 20MB、方向 0.57MB) | 需另下 chi_sim 12MB、chi_sim_vert 12MB |
| 首次调用额外耗时 | 10.06 秒(模型校验与载入) | 0.11 秒(每次进程启动重载) |
| 常驻内存 | 87MB 起步,识别后涨到 1.5GB 到 2.1GB | 单次进程峰值 208MB,退出即释放 |
体积这一项 Tesseract 赢四倍多,内存这一项也赢,代价是它没有常驻服务模式。每调一次 CLI 就重新载入一次模型,批量处理时这部分开销按次累加。
测试怎么做的
十二张图全部由 HTML 渲染而成,参考文本就是渲染时用的那段字,等于自带标准答案。渲染用 Chrome 157 无头模式,再用 PIL 做降采样、旋转、JPEG 压缩、二值化,模拟真实输入的四类退化。
正文语料是一段讲识别链路的中文,444 字,五档宽度从 1600 缩到 400,最小字高从 26 像素压到 6.5 像素。另外七张分别是六列五行表格、倾斜 1.5 度加 JPEG 质量 55 的翻拍件、加噪二值化的扫描件、型号编号密集段、深色背景截图、竖排文字、极限小图。
评分口径是字符错误率,把识别结果与参考文本都做 NFKC 归一再去掉空白,算编辑距离除以参考长度。表格图的参考长度是 137,其余正文图是 444。测试机为 M4 Mac mini 16GB,Python 3.12.12,onnxruntime 走 CPU,未启用任何 GPU 加速。
逐图错字率:三组配置的差距
RapidOCR 用默认参数,不做任何预处理。Tesseract 分两组,语言包都用 best 档,一组用 --psm 6 当整块文本读,一组用默认的 --psm 3 走自动版面分析。数值越低越好。
| 测试图 | 像素 | RapidOCR | Tess best psm6 | Tess best psm3 |
|---|---|---|---|---|
| 正文 1600 宽 | 1544×532 | 0.000 | 0.016 | 0.018 |
| 正文 1200 宽 | 1200×413 | 0.000 | 0.009 | 0.113 |
| 正文 900 宽 | 900×310 | 0.000 | 0.011 | 0.025 |
| 正文 700 宽 | 700×241 | 0.000 | 0.050 | 0.056 |
| 正文 520 宽 | 520×179 | 0.128 | 0.894 | 0.894 |
| 正文 400 宽 | 400×137 | 0.288 | 0.921 | 0.923 |
| 六列表格 | 1182×313 | 0.000 | 0.844 | 0.015 |
| 倾斜 1.5 度翻拍 | 1212×445 | 0.000 | 0.016 | 0.016 |
| 二值化扫描件 | 1600×532 | 0.000 | 0.018 | 0.022 |
| 型号编号密集 | 896×301 | 0.000 | 0.035 | 0.047 |
| 深色背景截图 | 1160×520 | 0.000 | 0.029 | 0.029 |
| 竖排文字 | 145×438 | 0.714 | 1.000 | 0.071 |
三个方向值得单独说。竖排那一行,Tesseract 换成 --psm 5 再配 chi_sim_vert 语言包能压到 0.024,RapidOCR 无论怎么调都读不对,它把三列竖排当成三行横排,整段顺序全反。
低分辨率那一行反过来。520 像素宽时字号只剩 8.8 像素,RapidOCR 还能保住 0.128,Tesseract 直接掉到 0.894,输出里能读通顺的句子不超过三句。400 像素宽两家都接近失效,RapidOCR 的 0.288 也谈不上可用,只是没崩到底。
表格那一行最能说明参数的重要性。同一张图,Tesseract 用 --psm 6 只吐出 50 个字符,被压成三行乱码;改回 --psm 3 是 0.015,行列间距全部保留。默认值恰好是对的那个,很多人为了修正文去改成 6,结果把表格一起改坏。
psm 选错的三种现场
psm 是页面分割模式,决定引擎怎么切块。--psm 3 是全自动版面分析,--psm 6 假定整图是一个均匀文本块,--psm 5 假定是竖排块。选错的后果不是报错,是字还在、顺序和内容全乱。
| 图片类型 | 本轮实测值 | 推荐参数 |
|---|---|---|
| 整页正文,段间留白大 | psm6 得 0.009 到 0.018,psm3 在 1200 宽这张掉到 0.113 | --psm 6 |
| 表格、多栏排版 | psm3 得 0.015,psm6 得 0.844 | --psm 3 |
| 竖排文字 | psm5 配 chi_sim_vert 得 0.024,psm6 得 1.000 | --psm 5 |
整页正文这张 1200 宽的图,psm3 的失败方式很典型:它把两段文字判成左右两栏,读出来的顺序是隔行交错的,肉眼一看字数对,逐句比对就不对。这类错只有一种便宜的检法,拿原文第一句去 grep 识别结果,找不到就说明版面判错了。
语言包档位:fast 与 best 差 18.7 倍
tessdata 仓库给同一种语言提供三档模型。fast 的 chi_sim 只有 2.4MB,best 是 12MB,体积差五倍,速度差不到一倍,准确率差在特定图文上非常夸张。
同一张整页正文,psm3 时 fast 包错字率 0.336,best 包 0.018。同一张二值化扫描件,fast 是 0.462,best 是 0.022。换到 psm6 之后两者的差距缩到 0.011 与 0.016。结论是 fast 包在自动版面分析下最容易崩,用 default 参数又不改 psm 的人,被这对组合坑的概率最高。
反过来也有一个反直觉的格子。表格那张图,fast 包 psm3 是 0.000,best 包 psm3 是 0.015,小模型赢了一格。单张样本不足以推翻档位结论,但说明换档不是单调收益,改完要拿自己的图复测,别直接照抄别人的配置。
速度与内存:批量差 1.9 倍,内存差 8 倍
十二张图串行跑完,Tesseract 每组一次独立进程共 17.91 秒,平均 1.49 秒一张。RapidOCR 一个进程连续跑两轮,8.38 秒与 8.43 秒,平均 0.70 秒一张;加上引擎初始化的 1.08 秒,总共 9.46 秒,快 1.9 倍。
| 指标 | RapidOCR | Tesseract best psm6 |
|---|---|---|
| 单张平均耗时 | 0.70 秒 | 1.49 秒 |
| 十二张总耗时 | 9.46 秒(含初始化) | 17.91 秒 |
| 单次启动开销 | 1.08 秒(新进程) | 0.11 秒 |
| 内存形态 | 常驻,只涨不落 | 短命进程,用完退 |
| 峰值内存 | 2.08GB(大图之后) | 0.21GB |
内存增长曲线值得贴出来。引擎初始化完成是 87MB,识别第一张 1544×532 之后跳到 1027MB,第二张涨到 1516MB,之后同尺寸反复调用稳定在 1519MB 不动。换成 1600×532 的扫描件,又涨两格到 1771MB 与 2084MB,再回到小图也不回落。
onnxruntime 的 CPU 内存池按见过的最大输入申请,缩不回去。单机四并发就等于八个 GB,16GB 的机器跑满会开始换页。要用多进程提吞吐,得先用 OMP_NUM_THREADS=1 压住线程数,再看内存够不够。
踩坑:三个真实失败点
第一个坑是不加 preserve_interword_spaces=1。Tesseract 默认给中文每个字之间插空格,输出长这样:本 地 文 字 识 别 这 条 链 路。人眼看懂,但下游分词、字数统计、字段对齐全部失真,JSON 里多出几百个空格。判据很简单,head -1 看到字间有空格就是没设。
第二个坑是把置信度当错字指示器。520 宽那张图里有一整行被读成 ::一用:,这一块的置信度是 0.747,正好是全图最低,但按 0.5 阈值过滤一行都筛不出来。RapidOCR 在零错字的那九张图上最低分 0.984,出错时也只掉到 0.747,这个区间不够分。可靠的判据是交叉验证:同一张图用两种 psm 各跑一次,两版结果不一致的行才是嫌疑行。
第三个坑是 pypi 直连装不上。本轮 pip install 走默认源报 tls handshake eof,三次重试全失败,换清华源 25 秒装完。同理,下载 chi_sim 语言包时 raw.githubusercontent.com 直接连不通,github.com 只给 302,最后用镜像前缀才拿到文件。这两步在国内网络下几乎是必踩,装之前先把源配好。
什么时候该换视觉模型
传统引擎的边界很清楚:它们只给文本行,不给结构。表格的单元格、跨行合并、页眉页脚层级,全要靠坐标自己聚类还原,代码量比识别本身大。RapidOCR 返回的 boxes 里每块是四点多边形,按 y 坐标聚行可以这样写:
rows, cur, last_y = [], [], None
for box, txt in zip(result.boxes, result.txts):
y = float(box[:, 1].min())
if last_y is not None and y - last_y > 12:
rows.append(" ".join(cur))
cur = []
cur.append(txt)
last_y = y
if cur:
rows.append(" ".join(cur))
需要单元格级别的还原,或者干脆是手写体、严重模糊、带水印的图,就该上视觉模型。站内那篇 Qwen3-VL 读表格实测 给出过一条互补的结论:900 像素宽的密集表能全对,字高掉到 3.7 像素只剩一半正确率,倾斜 1.6 度加 JPEG 压缩会让思考链死循环、返回空串。
把两条结论拼起来就是一张分工表。倾斜翻拍件交给传统 OCR,本轮 RapidOCR 在这张图上错字率 0.000,视觉模型那条路反而卡死。干净表格、需要 JSON 结构才上视觉模型。PDF 批量转文本先用 docling 与 MinerU 的对比 里那套版面解析工具,它们处理的是版面和阅读顺序,比逐行 OCR 更省事,细节见 MinerU 的三档实测。文本抽出来要进检索,切块口径见 RAG 切分的实测。
可直接用的批量脚本
RapidOCR 侧最省事的写法是常驻一个进程跑完整个目录,避免重复初始化的 1 秒和多进程的内存叠加。
from pathlib import Path
from rapidocr import RapidOCR
engine = RapidOCR()
for p in sorted(Path("shots").glob("*.png")):
result = engine(str(p))
text = "".join(result.txts)
(Path("out") / (p.stem + ".txt")).write_text(text, encoding="utf-8")
print(p.name, len(text), round(min(result.scores), 3))
Tesseract 侧要按图片类型分派 psm,正文与表格走两条分支,环境变量指到放语言包的目录。
export TESSDATA_PREFIX=$PWD/models/tessdata-best
for f in shots/*.png; do
psm=6
case "$f" in *table*|*form*) psm=3 ;; esac
tesseract "$f" stdout -l chi_sim --psm $psm -c preserve_interword_spaces=1 > "out/$(basename "$f" .png).txt"
done
选型就这么定下来。要把成千上万张截图灌进检索库,RapidOCR 一次装好,进程内循环,接受 2GB 常驻内存。要嵌进已有脚本或容器镜像、每张图独立调用一次,Tesseract 更省资源,前提是 psm 与语言包按上面的表配好,并且先用自己的一百张图验一遍错字率。
常见问题
RapidOCR 装完还需要联网下模型吗
不需要。三个 onnx 文件共 31MB 已经打在 wheel 里,落在 site-packages/rapidocr/models 目录下,首次调用只做一次文件校验。我把网络断掉后重跑,十二张图结果与联网时逐字节相同。
两套引擎能直接读 PDF 吗
都不能,它们吃的都是位图。本轮十二张样本全是 PNG 与 JPG,PDF 得先渲染成 200 到 300dpi 的图片再喂进去。整份 PDF 要保留版面结构时,走前面提到的版面解析工具比逐页 OCR 更划算。
中文识别错字多,先改哪个参数
先改 psm,再换语言包档位,最后才考虑换引擎。同一张整页正文把 psm 从 3 换成 6,错字率从 0.336 降到 0.016,改动成本是一个参数。换引擎要重装环境、重写调用代码,收益往往还不如这一行参数。
延伸阅读
- OXR 文档解析三榜登顶:1.3B 参数与 101 秒百页速度2 周前
- hf-mirror 下载模型:实测 9.4MiB/s 魔搭快 2.8 倍1 周前
- 阶跃星辰 600B MoE 旗舰 Step 5 Preview 上线 22 小时 GPU Kernel 优化到 508 TFLOPS2 月前
- whisper.cpp 中文转写实测:五档模型怎么选7 天前
继续读
往下这几篇值得接着看:
- RAG 加 rerank:第一名从 31% 到 60%,每次多 2.2 秒2026-11-18
- 本地向量库怎么选:9000 条实测,延迟差 9 倍2026-11-17
- RAG 切分怎么设:200 到 1600 字实测召回差一倍2026-11-16
