# 纸变数据：7个开源OCR神器 ## 本期发掘思路 LLM 时代，文档是所有 RAG 系统、Agent 工作流的第一道关卡——模型再强，吃进去的 PDF 是乱的，输出就是灾难。2025 下半年以来，“视觉语言模型做 OCR”（VLM-OCR）成了开源世界最卷的赛道之一，OmniDocBench 等榜单成了新的军备竞赛场：从 DeepSeek 的“光学压缩”论文爆款，到上海 AI Lab 的生产级管线，再到 IBM 的企业解析库，一层完整的“纸→数据”产业链都能在 GitHub 上免费拼齐。本期从这条产业链自上而下挖了 7 个仓库：2 个研究爆款、3 个生产级管线、2 个千星级小而美，覆盖单卡玩家、批量数字化和日常取字三种完全不同的场景。 > 说明：本期 Star 数为写作时（2026 年 9 月）的量级估计，以仓库页面实时数据为准。 --- ## 1. DeepSeek-OCR — 给大模型上下文做“光学压缩” **[deepseek-ai/DeepSeek-OCR](https://github.com/deepseek-ai/DeepSeek-OCR)** | Star 万级+ | 活跃更新中 **一句话定位**：不是又一个 OCR 模型，而是一篇用“图片”压缩长上下文的论文工程——文本渲染成图，1000 个文字 token 压成约 100 个视觉 token，再由模型无损还原。 它解决的是 Agent 时代最贵的两样东西：**上下文窗口和推理费用**。据官方论文《Contexts Optical Compression》，约 10 倍压缩率下文本还原精度可达 97% 左右，20 倍压缩仍能保住六成——这个数字如果成立，长文档 RAG 的预处理成本逻辑会被重写。 核心架构分两截：**DeepEncoder**（SAM 窗口注意力负责高分辨率下的显存可控，16 倍卷积暴力压 token，CLIP 负责语义对齐）+ **DeepSeek-3B-MoE 解码器**（激活参数约 570M，单卡可跑）。除了还原文本，它还能直接输出版面坐标、表格结构，甚至“图表转表格”。官方提供 vLLM 部署方案，一张 40G 显存的卡即可起服务。 **上手难度**：⭐⭐⭐⭐（需要 GPU 和 vLLM 环境） **适用人群**：做 RAG/Agent 基建的后端、想蹭论文热度的研究者。**变现思路**：给企业知识库做“文档→高保真 token”的预处理 API，按页或按 token 计费，是目前 OCR 赛道讲故事空间最大的一个。 --- ## 2. MinerU — 论文、研报批量转 Markdown 的瑞士军刀 **[opendatalab/MinerU](https://github.com/opendatalab/MinerU)** | Star 三万级 | 持续高频发版 **一句话定位**：上海 AI Lab 出品的 PDF 解析流水线，把学术论文、财务报告、扫描件整批转成干净的 Markdown 和结构化 JSON，是中文世界最成熟的文档数字化基建。 传统 PDF 解析器的噩梦它全接管了：双栏排版、页眉页脚、嵌套表格、行间公式、竖排注释。其管线把版面检测（DocLayout-YOLO）、公式识别（UniMERNet）、表格还原、OCR、阅读顺序重建串成一条龙；2.x 版本后又叠加了 VLM 路线——据官方报告，MinerU2.5 以约 1.2B 的参数量在 OmniDocBench 上拿下了第一梯队的成绩，用 vLLM 加速后吞吐相当可观。 工程体验是它压倒同行的地方：`pip` 装完即有 CLI，Docker 一行起服务，自带 Gradio 网页版拖拽即用，CPU 也能跑低配模式。唯一要注意的是 **AGPL-3.0 协议**——拿它做闭源商业服务需要买官方授权或干脆开源你的改造部分。 **上手难度**：⭐⭐⭐ **适用人群**：数据工程师、量化研究员（研报入库）、出版社电子化团队。**变现思路**：为律所、券商、高校做文献批量解析服务，或基于它做垂直领域的“报告数据化”SaaS——这个方向已有创业公司在跑通。 --- ## 3. olmOCR — 把一亿页 PDF 烧成训练语料的低成本流水线 **[allenai/olmOCR](https://github.com/allenai/olmOCR)** | Star 万级 | 活跃更新中 **一句话定位**：Ai2（Allen Institute for AI）为了给自己的 Dolma 语料库喂 PDF，顺手开源的工业化 OCR 方案——设计目标只有一个：**每百万页的成本压到最低**。 它最聪明的发明是 **document anchoring（文档锚定）**：PDF 里往往藏着原生文本层，olmOCR 把文本层的坐标信息锚定进视觉模型的提示词里，让 Qwen 系列视觉模型只需“校对”而非“重抄”，既保住了阅读顺序和表格结构，又大幅降低幻觉。官方最初给出的成本估算是每百万页约 190 美元量级，远低于调用通用大模型 API 逐页转写。后续的 olmOCR-2 转向强化学习路线，用“单元测试”自动给识别结果打分来训练模型——把这个思路用在 OCR 上相当硬核。 模型权重、训练数据（olmOCR-mix）、评测脚本全部开放，Apache-2.0 协议，商用无障碍。适合的不是“扫描一张名片”这种小活，而是**图书馆、法院卷宗、政府档案这种亿页级的数字化工程**。 **上手难度**：⭐⭐⭐（建议 GPU 集群或按需租卡） **适用人群**：数据团队、档案馆/出版社技术供应商。**变现思路**：按页计费的数字化外包，毛利率取决于你把 GPU 利用率卷到多高——它就是为这个场景设计的。 --- ## 4. docling — IBM 捐给社区的企业级文档解析库 **[docling-project/docling](https://github.com/docling-project/docling)** | Star 数万级 | 更新极快 **一句话定位**：IBM 研究院开源的文档理解库，PDF、DOCX、PPTX、HTML、图片统统解析成 Markdown/JSON，专为企业 RAG 的“ ingestion 层”而生，MIT 协议随便改。 和 MinerU 相比，docling 的气质更“企业”：接口设计成标准 Python 库，解析结果是带层级结构的 DoclingDocument 对象，表格用 TableFormer 模型精细还原，读序（reading order）处理是其传统强项；官方维护着与 LangChain、LlamaIndex、spaCy 的一等公民集成，还有 docling-serve 提供 OpenAPI 风格的解析服务，K8s 里一挂就是公司级文档网关。对 DOCX/PPTX 这类“非扫描”办公文档的原生解析，是它相对纯 OCR 管线的差异化优势——大量企业知识库里躺着的恰恰是 Office 文档而非 PDF。 对想给公司搭内部知识库的团队，它几乎是默认选项：协议干净、IBM 背书、社区响应快、Issue 不变僵尸。 **上手难度**：⭐⭐ **适用人群**：企业 IT、RAG 平台工程师、咨询交付团队。**变现思路**：企业知识库实施与定制解析插件开发——文档 ETL 是每个 RAG 项目的隐蔽工作量黑洞，谁收拾干净谁收费。 --- ## 5. PaddleOCR — 老牌全家桶，从服务器卷到开发板 **[PaddlePaddle/PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR)** | Star 五万级 | 长青项目 **一句话定位**：中文 OCR 事实上的标准件，80+ 语种、检测/识别/文档解析三件套齐活，最轻的模型只有几 MB，能塞进开发板。 它常被新玩家低估为“上一代技术”，但 2025 年的 PP-OCRv5 在手写体和多语种上大幅补课，PP-StructureV3 把整页文档解析做成了开箱能力，年底发布的 PaddleOCR-VL（约 0.9B 参数）更是据官方报告冲上了 OmniDocBench 端到端评测的头名——老树开新花，VLM 时代的牌它一张没落。更不可替代的是**端侧能力**：PP-OCRv5 mobile 系列模型经过 ONNX/NCNN 导出后可在手机、安防摄像头、工业相机上离线跑，这是那些依赖大 GPU 的 VLM 方案完全够不着的市场。 生态护城河同样深厚：RapidOCR 等第三方项目把它转成 ONNX 全平台部署，票据识别、车牌识别、表型识别的下游方案遍地。 **上手难度**：⭐⭐ **适用人群**：嵌入式工程师、做票据/证件识别的 B 端开发者。**变现思路**：工业质检、仓储单据、硬件 OCR 模组——按设备授权收 license 费，是最传统的稳定生意。 --- ## 6. NormCap — 截图取字，三平台离线小钢炮 **[dynobo/NormCap](https://github.com/dynobo/NormCap)** | Star 约两千上下 | 持续维护 **一句话定位**：按下快捷键、框选屏幕任意区域、文字进剪贴板——一个把“截图 OCR”做到极致的单一痛点工具。 看视频里的报错堆栈想复制、PDF 上文字选不中、直播幻灯片想摘重点、老软件的只读界面要抓数据——这些场景里“先截图再开网页 OCR”的流程能被 NormCap 压缩成两秒。它用 PySide6 写成，**完全离线**：Linux 上走 Tesseract，Windows 上直接调系统自带的 Windows.Media.Ocr，macOS 走 Vision 框架，隐私敏感场景（客户数据、内网截图）也不必担心文字上云。支持多语言混排识别、托盘常驻，Flatpak/Snap/winget/brew 三平台安装包齐全。 它的价值不在技术深度，而在**产品克制**：没有账号、没有广告、没有“AI 套壳”的冗余功能，就是快门、框选、粘贴。这类工具是开源世界最健康的形态——解决一个真痛点，然后停下。 **上手难度**：⭐ **适用人群**：所有桌面用户，尤其是处理内网/涉密材料的上班族。**变现思路**：难以直接收费，但适合作为技术博主的“引流神器”——用它换口碑和影响力，是典型的声望型开源。 --- ## 7. manga-ocr — 为漫画生肉而生的垂直识别模型 **[kha-white/manga-ocr](https://github.com/kha-white/manga-ocr)** | Star 约两千上下 | 稳定维护 **一句话定位**：专攻漫画气泡内日文的 OCR 模型——竖排文字、手写假名、拟声词艺术字、气泡遮挡，通用 OCR 全军覆没的地方它一击必杀。 作者是位日语学习者，起因就是通用引擎读不了竖排漫画。技术上它是一个图像编码器 + 从零训练的 RoBERTa 文本解码器组合，在大量漫画数据上端到端训练，**内置语言模型先验**，能在笔画残缺、字体花哨时“猜”出正确假名汉字组合——对爱看生肉的日语学习者，它配合翻译软件就是一套免费实时汉化系统。`pip install manga-ocr` 一行安装，模型自动从 Hugging Face 拉取，也可以作为 Python 库嵌进自己的工作流。 它是“小而美”的教科书样本：一个作者、一个垂直场景、一个通用方案覆盖不了的利基，Star 不多但在目标社区（日语学习、汉化组）里几乎是人手一份的基础设施。 **上手难度**：⭐⭐ **适用人群**：日语学习者、汉化组、字幕组。**变现思路**：垂直 OCR 能力授权——语言学习 App、漫画阅读器都愿意为“拍一页翻一页就能懂”的能力付费；做漫画本地化外包的团队更是刚需。 --- ## 本期横评 | 仓库 | 类型 | Star 量级 | 上手难度 | 适用场景 | |---|---|---|---|---| | DeepSeek-OCR | VLM 研究爆款 | 万级+ | ⭐⭐⭐⭐ | RAG 预处理、上下文压缩研究 | | MinerU | PDF 解析管线 | 三万级 | ⭐⭐⭐ | 论文/研报批量转 Markdown | | olmOCR | 批量 OCR 流水线 | 万级 | ⭐⭐⭐ | 亿页级档案数字化 | | docling | 企业文档解析库 | 数万级 | ⭐⭐ | 企业 RAG、多格式 ETL | | PaddleOCR | 端到端 OCR 工具箱 | 五万级 | ⭐⭐ | 中文场景、嵌入式部署 | | NormCap | 桌面截图 OCR | 约两千 | ⭐ | 日常取字、离线隐私 | | manga-ocr | 垂直 OCR 模型 | 约两千 | ⭐⭐ | 漫画生肉、日语学习 | ## 全景一图 ```mermaid mindmap root((纸变数据)) 研究爆款 DeepSeek-OCR 光学压缩 高压缩 高保真 生产管线 MinerU 全格式转MD olmOCR 低价批量 docling 企业集成 端侧老将 PaddleOCR 全语种全家桶 模型仅数MB 小而美 NormCap 截图取字 manga-ocr 漫画生肉 ``` ## 本期之最 - **最值得立即尝试：MinerU** —— `pip` 装完、拖入 PDF、得到 Markdown，十分钟内你能完整体验这条管线的含金量，CPU 也能先跑起来。 - **最有商业潜力：olmOCR** —— 档案数字化是一个按页收费、需求永远存在的老生意，它把边际成本打到极致的同时保持了协议干净。 - **最被低估：manga-ocr** —— 没有任何榜单会收录它，但它在自己那一平方厘米的气泡里，做到了通用大模型做不到的事。垂直、克制、不可替代，这是开源最浪漫的样子。 ## 参考来源 1. [deepseek-ai/DeepSeek-OCR](https://github.com/deepseek-ai/DeepSeek-OCR) — 光学压缩论文工程主页，含 DeepEncoder 架构与压缩率数据 2. [opendatalab/MinerU](https://github.com/opendatalab/MinerU) — 管线组成、VLM 路线与部署方式说明 3. [allenai/olmOCR](https://github.com/allenai/olmOCR) — document anchoring 机制与批量成本数据出处 4. [docling-project/docling](https://github.com/docling-project/docling) — 多格式解析、生态集成与 docling-serve 说明 5. [PaddlePaddle/PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) — PP-OCRv5、PP-StructureV3 与 PaddleOCR-VL 能力介绍 > 注：本文写作时未能联网核验，Star 数与榜单名次均为基于公开资料的量级估计（未经官方实时证实），具体数字请以各仓库页面为准。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。