古籍 OCR 怎么做？RapidOCR 一条命令识别竖排古籍，从安装到调参完整指南-育师

古籍 OCR 怎么做？RapidOCR 一条命令识别竖排古籍，从安装到调参完整指南

【免费下载链接】RapidOCR📄 Awesome OCR multiple programing languages toolkits based on ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT and PyTorch.项目地址: https://gitcode.com/GitHub_Trending/ra/RapidOCR

手头有一批扫描的古籍图片，想批量把文字提出来存档，但竖排版式、繁体字和纸面污渍让普通 OCR 工具频繁翻车？RapidOCR 是一个开源免费的轻量 OCR 库，把 PaddleOCR 模型转成 ONNX 等通用格式，基于 ONNX Runtime 和 OpenVINO 推理，可以完全离线运行。默认支持中英文识别，也覆盖多语言模型。它适合古籍数字化、文档批量提取文字的场景，使用者从个人研究者到工程集成团队都能用。

📜 一批扫描古籍要提文字，RapidOCR 能做到什么

把场景具体化：一批老书扫描图，每页几十行竖排繁体字，夹杂少量批注，目标是导出可编辑的文本。

竖排文字能跑通：识别环节支持竖排文字，预处理阶段会自动做竖排补边（use_vertical_padding默认开启），短小的文本行也能稳定进入识别流程，仓库测试集里就有竖排古籍图片text_vertical_words.png专门验证这一场景。
不止横排印刷体：除了中文简体/繁体和英文，还内置日文、韩文、阿拉伯文、泰文等多语言模型（模型清单见仓库文档），混排页面可以按语言分别跑。
不绑死在服务器：同一套模型可以在 Linux、Windows、Mac 上离线推理，Python 之外还有 C++、Java、C# 等语言的独立组件库，方便嵌进现有系统。

🚀 一条命令装好 RapidOCR 环境

Python 3.8 及以上版本，终端执行：

pip install rapidocr onnxruntime

安装后模型会随库自动下载，无需额外配置。最小可运行的识别脚本如下（python/demo.py 里有同样的示例）：

from rapidocr import RapidOCR engine = RapidOCR() result = engine("book_page_001.jpg") # 换成你的古籍图片路径 print(result) # 文本、坐标框、置信度 result.vis("vis_result.jpg") # 保存带标注框的可视化图

print出来的结果包含每行文字、对应的坐标框和置信度分数，vis生成的图可以用来肉眼核对框的位置。

🔤 竖排、繁体和多语言混合：识别能力拆解

竖排文字怎么进识别流程

古籍一列字往往又窄又长，直接切出来喂给模型效果差。RapidOCR 的预处理会对短文本做竖向 padding 补齐，配置项width_height_ratio（默认 8）控制补齐后的宽高比。仓库测试文件 text_vertical_words.png 就是一页竖排字，跑一遍能按行输出识别结果。经验值：扫描件先整页识别，框准了再按列人工归并，比手动切列更省事。

繁体与多语言混合文本

默认模型lang_type为ch，覆盖繁简体混排；遇到日文夹杂的页面，把对应模块的lang_type切到日文模型即可。下面这张日文混合文本的测试图（japan.jpg）就是仓库用来验证多语言识别的样例：

古籍 OCR 准确率对清晰印刷体通常可以到 95% 以上，但手写批注、墨迹粘连的页会明显下降——这类页面建议单独人工处理，而不是调参硬扛。

多平台部署，同一套模型通用

ONNX 格式的模型是核心：Python 包之外，C++（NCNN）、Java、C# 各有独立的移植仓库（见仓库内 cpp/、jvm/、dotnet/ 目录说明），推理引擎可选 ONNX Runtime、OpenVINO、TensorRT、MNN、PaddlePaddle、PyTorch，docker/ 目录为每种引擎都提供了现成的 Dockerfile。Windows、Mac、Linux 三个平台行为一致，适合"Mac 上开发、Linux 服务器跑批"的工作流。

⚙️ config.yaml 里哪些参数值得改

所有可调参数集中在 config.yaml，分Global（总开关与预处理）、Det（检测）、Cls（方向分类）、Rec（识别）四段。常用改动只有三处：

Det.box_thresh（默认 0.5）：文字框置信度门槛。古籍扫描件背景脏、检出一堆假框时调高到 0.6～0.7；漏检多则调低。
Global.text_score（默认 0.5）：识别文本的置信度过滤线，分数低于它的行会被丢弃，想保留低质量行再人工复核就调低。
Det.limit_side_len（默认 736）：检测图最长边缩放上限。整页高清扫描件（长边超过 2000 像素）处理慢时调小可明显提速，代价是细小文字的检出率略降。

另外Global.use_cls: true建议保持开启，它负责纠正旋转 180° 的文字行——手机随手翻拍的古籍照片经常是倒过来的。

🛠️ 避坑与实操建议

扫描件发灰、有污渍 → 先去噪增强再喂给 OCR。对比度差的老书页，用 OpenCV 做二值化或灰度增强后再识别，检出的框会干净很多；use_preprocess_img默认开启，短边小于 30 像素的碎片图会被自动丢弃，避免无意义结果。
结果顺序乱、带坐标残留 → 后处理做格式化。打印出来的结果是按行分段的，竖排古籍需要自己按"从右到左、从上到下"的规则重排行序，再转成纯文本或 Markdown；导出前把坐标框、置信度字段剥掉。
低置信度行不要直接入库 → 人工抽检校对。每行都有text_score分数，把低于 0.7 的行单独列出来过一遍，比全量通读快得多；模糊到整页不可读的部分，宁可标记为"待人工转录"。