RapidOCR 古籍识别实战：从竖排文字 OCR 扫描到可读文本

RapidOCR 古籍识别实战：从竖排文字 OCR 扫描到可读文本

【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

RapidOCR 是一套支持 ONNX Runtime、OpenVINO、PaddlePaddle 等多种推理后端的开源 OCR 工具。本文以古籍 OCR 为背景，从实操者视角讲清三件事：竖排文字识别怎么跑起来、翻车时调哪些参数、哪些场景不必硬上。

先还原两个真实翻车现场

第一批翻车来自一沓泛黄带污渍的手稿扫描，正文从右往左竖排。默认流程直接跑，检测把相邻两栏合并成一个框，左侧细栏整条漏掉，识别输出不是乱码就是半截。第二个现场是繁体正文夹杂日文注脚的一页：繁体字被读成形近的简体，注脚日文直接输出乱串。

这两类问题不是"OCR 做不了古籍"，而是默认参数按现代横排文档调的，古籍页面要单独处理。

安装并跑通第一页

先安装：

pip install rapidocr onnxruntime

再用仓库自带测试图跑四行代码：

from rapidocr import RapidOCR ocr = RapidOCR() result = ocr("python/tests/test_files/issue_170.png") print(result.txts, result.scores)

首次运行会自动下载对应模型到 python/rapidocr/models 目录；如需查阅源码，可克隆仓库 https://gitcode.com/GitHub_Trending/ra/RapidOCR 。

竖排检测参数怎么调、结果怎么读

竖排支持靠哪三步

流程是文本检测 → 方向分类 → 字符识别。古籍页面上，det 把每一竖排检成一个瘦高框；python/rapidocr/utils/process_img.py 里的裁剪步骤先把框透视矫正为水平条带，若条带高宽比 ≥ 1.5（明显是竖条），就旋转 90° 让竖排变横排再进识别；随后 cls 按 config 里的label_list: ["0", "180"]判定方向，把旋转后仍倒着的栏翻回来。所谓"竖排识别"，就是裁剪旋转 + 方向分类 + 横排识别模型的组合，并没有独立的竖排模型。

config.yaml 里最常动的参数

都在 python/rapidocr/config.yaml 中，古籍场景最常碰这几个：

• Det.box_thresh/Det.thresh：框置信度与二值图阈值，默认 0.5 和 0.3
• Det.unclip_ratio：检测框扩张比例，默认 1.6
• Det.limit_side_len：推理前短边尺寸，默认 736
• Global.text_score：识别置信度过滤线，默认 0.5

另外Global.use_vertical_padding默认开启，对宽高远超 8:1 或高度不足 30 像素的图片做上下补边，属于极端比例扫描页的兜底。

结果字段怎么核对

返回值里result.txts、result.scores、result.boxes三者一一对应。加return_word_box=True可拿到字级框，python/tests/test_return_word.py 里有现成竖排用例：测试图 text_vertical_words.png 期望逐字输出"已取之時不參一人見而"。想肉眼核对框的位置，可用 CLI 的-vis参数存标注图，或用 python/rapidocr/utils/ 下的 to_json / to_markdown 直接导出。

要留意一点：输出顺序是检测顺序，不等于古籍从右往左的阅读顺序，栏序需要自己按框的 x 坐标排序。

上图这类旋转 180° 的页面正是 cls 环节的职责：方向分低于cls_thresh（默认 0.9）时保留原方向，足够高则翻转后再进识别。

症状 → 手段：三个高频坑位 🔧

坑位一：低分辨率模糊页漏字

扫描只有百余 DPI 时，模型输入本来就是糊的；预处理还会把长边压到Global.max_side_len（默认 2000），超清扫描件同样丢细节。对策分两步：原图尚可但检测"看不见"细栏时，调大Det.limit_side_len给检测器更大输入；原图很大时，调大Global.max_side_len避免过度缩小。调多少取决于页面尺寸，小批量试错是常态。

坑位二：繁体模型如何选择（繁简混排、日文混排）

默认识别模型是简体 ch 词表。纯繁体古籍改用params={"Rec.lang_type": "chinese_cht"}，走独立繁体模型（python/rapidocr/default_models.yaml 中的 chinese_cht 条目）；繁体占比高、版式杂的文献古籍，python/tests/test_rec_language.py 给了现成组合：Rec.lang_type = "ch_doc"加 server 档识别模型，它是带独立文献字典的 ch_doc 模型。中日混排页则先看默认配置——当前版本默认走 PP-OCRv6 多语言模型（模型名带multi_前缀），先按默认跑，个别日文行仍乱再单独把Rec.lang_type切到japan。

坑位三：置信度偏低怎么调

score 低于text_score（默认 0.5）的整行会被直接过滤。担心漏行时，临时把Global.text_score降到 0.3 附近看全量再人工核对；担心误检则反向调高。注意阈值分两层：det 层的box_thresh/thresh决定"这一栏能不能被检出"，rec 层的 score 决定"这一行字认得多有把握"。漏栏是检测问题，乱字是识别问题，分开调才有用。

RapidOCR 适合与不适合哪些古籍

适合：字迹尚清晰的竖排单栏扫描（简体、繁体均可），中日混排，横排现代文档，需要字级框、JSON / Markdown 导出的流程，以及多后端部署——onnxruntime、openvino、mnn、paddle、tensorrt、pytorch 后端齐全，见 python/rapidocr/inference_engine/ 目录。

不适合：残损严重、笔画缺失和透墨重的页面，隶书、行草等古典手写体与印章；也不负责阅读顺序还原——它只输出文字与框，从右往左的栏序、表格和多栏混排布局都要自己后处理。别指望置信度过滤替代人工校对，它只是帮你把低分行挑出来。

古籍数字化里，RapidOCR 省时间的地方是竖排流水线与字级框，省不掉的是栏序排序和人工核对。先用默认参数跑一小批页面，再按上面的症状逐项调参，能避开大半弯路。

【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