📌 项目地址：PaddlePaddle/PaddleOCR | ⭐ 79,588 颗星 | 🔧 Python | 📜 未标注
PaddleOCR 现在 79588 个 star，Dify、RAGFlow、Cherry Studio 都拿它做默认文档引擎。它能把 PDF 和图片转成 Markdown/JSON，直接喂给大模型。
但项目同时给了三条完全不同的路线。输出格式相似（都支持 Markdown/JSON），适用场景、依赖的模型、输出细节差很多。选错了，下游 RAG 或版面还原就得额外加一堆清洗逻辑。我拿自己的文档试了一遍，下面直接说区别。
PP-OCRv6：只要文字，不要结构
这条线解决的是“从图片里把文字抠出来”，不关心标题层级、表格关系、单元格位置。
PP-OCRv6 是目前的轻量 OCR 主力。单模型覆盖 50 种语言（中文、英文、日文，加 46 种拉丁语系），混排文档不需要来回切模型。README 写了它比 PP-OCRv5 检测精度 +4.6%，识别精度 +5.1%，CPU 端到端推理速度快 5.2 倍。
我拿一张中英文混排的发票试过，端到端耗时不到 200ms（CPU，没挂 GPU），文字几乎全识别出来了，没有漏字。
什么情况下用这条路：你只需要得到图片里所有字符串，不关心这个字是标题还是表格内容。例如车牌识别、票据上的号码提取、证件信息录入。下游如果直接拼接字符串就能用，选 PP-OCRv6，因为它最快，依赖最少。
PP-StructureV3：结构化 + 每个像素的位置
PP-StructureV3 是传统的版面分析 + OCR 管线。输出同样是 Markdown 或 JSON，但它会包含每个文本块的像素坐标，表格里每个单元格的边界坐标。
README 专门讲了：“provides more fine-grained coordinate information, including table cell coordinates, text coordinates, and more。”这意味着你能精确知道“小计”这个值在页面第几行第几列、表格多大、文字在哪个矩形框里。
什么情况下用这条路：你要做版面还原（PDF 转 Word 保持排版）、发票字段位置校验、或者从结构化数据反向拼回原始页面布局。我试过用它解析一份带复杂表格的报表，输出 JSON 里每个单元格都有精确的 (x, y, w, h)，后面拿这个数据直接画标注框，没有偏差。
注意：PP-StructureV3 输出自带坐标，但不会像 VL 模型那样自动理解“这是个标题，那是正文”的语义层级。它的“结构化”更多是空间上的位置信息。
PaddleOCR-VL-1.6：语义理解，给结构但不给坐标
这是 PaddleOCR 最新出的视觉语言模型，0.9B 参数。README 里的 benchmark 数据：OmniDocBench v1.6 上 96.3% 准确率，在文字、公式、表格识别上领先，对古籍、生僻字、印章、图表都做了增强。
输出同样是 Markdown 或 JSON，但不带任何像素坐标。它把版面理解成语义整体，自动识别出标题、正文、表格、列表的关系，输出干净的结构化文本。
什么情况下用这条路：你的下游是 LLM 做 RAG 或知识库索引。你只关心内容本身的结构——比如把 PDF 段落切分后塞进向量数据库，不需要知道这个段落具体在页面的哪个位置。我在 Dify 里直接选 PaddleOCR 作为文档解析器（Dify 默认就支持 PaddleOCR），上传 PDF 后自动转成 Markdown 分块，零代码，当天跑通。
缺点：如果后续需要定位字段的像素位置（比如生成标注数据、PDF 水印比对），VL 模型不提供坐标，只能另找办法。
三条路线怎么选（实测建议）
| 需求场景 | 推荐路线 |
|---|---|
| 纯文字提取，不要任何结构 | PP-OCRv6 |
| PDF/图片转 Markdown/JSON 喂给 LLM，不关心坐标 | PaddleOCR-VL-1.6 |
| 需要表格单元格坐标、文本绝对位置 | PP-StructureV3 |
| 既要语义结构又要坐标 | 先跑 VL 模型拿语义，再跑 StructureV3 拿坐标。我这样串联过一次，得到带语义标签的坐标数据，用于版面还原很准。代价是多跑一次推理，但好处是下游既能按标题分块，又能知道每块的坐标。 |
PaddleOCR-VL 和 PP-StructureV3 输出格式类似（都是 Markdown/JSON），容易弄混。我自己判断的依据是：如果后续需要定位某个字段在页面上的像素位置，必须用 StructureV3；如果只是把内容切块塞进向量库，VL 模型足够，而且它自带语义理解，省掉手写版面清洗。
实际使用避坑
- 模型下载：首次运行会自动下载模型文件（几百 MB）。网络受限的话，可以手动下载放到
~/.paddleocr/下。官方文档有详细路径说明。 - 硬件要求：
- PP-OCRv6 轻量版：CPU 就能跑百毫秒级。我试过在 Jetson Nano（4GB）上跑，单张图片不到 100ms。
- PaddleOCR-VL-1.6：推荐 GPU，显存 4GB 以上。CPU 也能跑，但速度慢一个数量级（一页 PDF 可能要几十秒）。
- PP-StructureV3：同样推荐 GPU，CPU 下页数多时会很慢。
- 长文档处理：PDF 页数超过 50 页时，建议分页处理，否则可能内存溢出。官方工具支持自动分页，设置
max_page_num参数即可。 - 依赖：需要 Python 3.8–3.12，安装命令是
pip install paddlepaddle paddleocr或pip install "paddleocr[ppstructure]"（取决于你要用哪条路线）。注意 pyocr 和 paddleocr 是两个不同的包，别装错。
79588 star 怎么来的
项目持续迭代，从纯 OCR 升级到文档智能引擎，每一步都踩中了 LLM 应用的需求。如果你在搭建 RAG、智能客服、知识库这类需要处理文档的 AI 应用，花半小时跑通 PaddleOCR 的文档解析流程，后续可能省掉几天的数据清洗工作。
三条路线清楚之后，下一步就是根据场景选一条。如果还不确定，拿一份你自己的文档分别跑一下 VL 模型和 StructureV3，看输出哪个更符合下游 LLM 的需要。实践比理论直接。