企业官网建设流程全解析

简介：面向Python学习者与高校学生，这份基于OpenCV和Tesseract-OCR的图像文字识别项目，提供完整可运行的源码与设计报告，可直接用于毕业设计、期末大作业或课程设计。资源共14个文件，压缩包大小约96.84MB，包含Python源码（py）、设计报告（pdf）、操作演示视频（mp4）、Tesseract中文语言包（traineddata）、示例图片（jpg）以及Windows安装程序（exe），覆盖环境配置、代码阅读到结果测试的完整链路。目前已有82人学习下载，适合需要快速搭建OCR功能、借鉴项目结构或进行二次开发的学习者。项目代码带有详细注释，新手也能理解；配套的设计报告与流程图（vsdx）可帮助梳理设计思路，演示视频则展示实际运行效果，配合中文识别包与安装程序，部署后即可体验图像文字识别全过程，节省大量调试时间。

1. 从一张带文字的图片到可编辑文本：这套代码到底解决了什么问题

图像文字识别，英文叫 OCR，落地场景远比想象中具体：票据录入、车牌抓拍、截图转文档、扫描件归档。你手头可能正有一批图片需要批量提取文字，也可能是在做毕设或课程设计，需要一个能跑通、能写进报告、能现场演示的完整方案。基于 Python + OpenCV + Tesseract-OCR 这套组合，正是目前本地离线 OCR 里最成熟、最容易调试、也最能讲清楚原理的路线——OpenCV 负责把图像处理成机器更容易读的状态，Tesseract 负责真正把字形映射成文字，Python 当胶水把整个流程串起来。

这套方案的直接价值在于：不依赖云服务、不烧 API 额度、不把图片传给别人，数据留在本地；同时源码结构直观，预处理每一步都可以可视化验证，非常适合学习也好出报告。接下来我按自己做这类项目时的完整链路来讲：环境怎么搭、预处理参数怎么调、Tesseract 怎么让它认字更准、以及最折磨人的那些坑。

2. 环境搭建和选型理由：为什么是 OpenCV + Tesseract 而不是直接调云 API

2.1 三个组件各管哪一段：预处理、识别、胶水层

先理清楚职责划分，这决定了你后面调试时往哪个方向使劲。OpenCV（Python 里 import 的是 cv2，安装包叫 opencv-python）负责的是“让图片变得更适合识别”：把彩色图转成灰度图、去掉噪点、把背景和文字分离开、纠正倾斜、放大缩小。这些步骤解决的核心问题是——Tesseract 对干净的黑白文字图识别率很高，但对真实世界拍出来的照片、扫描件、带阴影和反光的图，直接送进去效果很差。

Tesseract-OCR 是 Google 开源的 OCR 引擎，它做的事情是“把图像里的文字形状翻译成字符串”。引擎内部有完整的字符识别模型，支持上百种语言，中文需要单独的语言包。Python 调用它有两种方式：一是直接用 subprocess 调 tesseract.exe 命令行，二是用 pytesseract 这个封装库，它内部也是调命令行，但返回的是 Python 字符串，方便直接处理。

Python 在整个流程里做的事情包括：读取图片文件、调用 OpenCV 的各个处理函数、把处理结果传给 pytesseract、对识别出的文本做正则清洗和格式化。换句话说，Python 是流程编排者，不参与真正的字符识别。理解这一点很重要——很多人遇到识别不准，第一反应是换 OCR 引擎，但实际上问题往往出在预处理环节，OpenCV 没把图伺候到位。

2.2 Windows 和 Linux 下的安装步骤与版本注意

环境安装是整个项目里最容易卡住新手的一步，因为 OpenCV 和 Tesseract 是两套独立的安装体系。先说 Python 侧。建议直接用 pip 安装 opencv-python 和 pytesseract：

pip install opencv-python pip install pytesseract

两个包都装完后，验证 OpenCV 是否能正常导入：

python -c "import cv2; print(cv2.__version__)"

能输出版本号说明 OpenCV 安装成功。这里有个常见情况：如果你用的是 conda 环境，opencv-python和系统里已有的opencv可能出现冲突，表现为 import cv2 时直接报错。遇到这种情况，建议在干净的虚拟环境里重装 opencv-python，不要和 conda 自带的 opencv 混用。

Tesseract 本体不能通过 pip 安装，它是独立的 C++ 程序。Windows 下需要去 GitHub 的 tesseract-ocr 发布页下载对应系统的安装包，安装时勾选需要的语言包。Linux 下用 apt 安装：

sudo apt update sudo apt install tesseract-ocr sudo apt install tesseract-ocr-chi-sim

第一条命令装的是英文识别引擎，第二条装简体中文语言包。如果缺了 chi-sim，后面识别中文会直接输出乱码。装完后在终端验证：

tesseract --version

能显示版本信息就说明引擎本体没问题。还要确认语言包是否就位：

tesseract --list-langs

输出里应该有 eng 和 chi_sim 两项。注意语言包名字是chi_sim，而在 pytesseract 里调用时写lang="chi_sim"，带下划线。

2.3 路径陷阱：pytesseract 找不到 tesseract.exe 怎么办

这是 Windows 下几乎人人都会踩的一个坑。安装完 Tesseract 后，pytesseract 默认去系统 PATH 里找 tesseract.exe，但 Windows 安装包经常不会自动把安装目录加进 PATH。结果就是运行代码时报错：

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH

解决方法是写代码时显式指定路径。常见的安装位置是C:\Program Files\Tesseract-OCR\tesseract.exe：

import pytesseract # 仅 Windows 需要显式指定，Linux 一般安装后就在 PATH 里 pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

提示：如果你的 Tesseract 安装在别的位置，可以在系统设置里搜“tesseract.exe”确认实际路径，再替换上面这行。Linux 系统一般不需要这步，但如果你用的是自定义编译的 Tesseract，同样可以用这个方式指向你的二进制文件。

这个指定路径的代码务必放在任何调用 pytesseract 的函数之前。另外，macOS 上用 Homebrew 安装的路径通常是/usr/local/bin/tesseract，也同样需要确认。

3. 图像预处理：识别率七成靠这里，二值化和降噪怎么做

3.1 读取图片后的第一个动作：灰度化和缩放

Tesseract 内部做字符切分时依赖的是文字的轮廓和连通域，彩色信息对它不仅没有帮助，反而会因为 RGB 三个通道各自有噪声而干扰判断。所以预处理第一步永远是灰度化。

import cv2 # 读取图片，cv2.IMREAD_GRAYSCALE 直接读成灰度图 img = cv2.imread("sample.jpg", cv2.IMREAD_GRAYSCALE) # 如果图片高度过大，按比例缩小；如果字太小，按比例放大 # 这里把高度统一缩放到 2000 像素左右 h, w = img.shape[:2] target_h = 2000 if h > target_h: scale = target_h / h img = cv2.resize(img, (int(w * scale), target_h), interpolation=cv2.INTER_AREA) elif h < 800: scale = 800 / h img = cv2.resize(img, (int(w * scale), 800), interpolation=cv2.INTER_CUBIC)

这段代码的逻辑是：图太大时缩小（高度超过 2000 像素），图太小时放大（高度不足 800 像素）。为什么要控制在 800 到 2000 这个区间？因为 Tesseract 对字号有一定的适应范围，字太小了笔画连在一起切不开，字太大了反而会因为像素点边缘锯齿干扰识别。缩小时用INTER_AREA，它对像素做区域平均，能有效抑制高频噪声；放大时用INTER_CUBIC，双三次插值，边缘过渡更平滑。

注意：直接读取彩色图再转灰度，和用IMREAD_GRAYSCALE读图，结果略有差异。前者用的是标准 RGB 转灰度公式，后者是 OpenCV 内部按 BGR 通道加权。对识别来说差异很小，但如果你在做预处理实验，尽量统一用一种方式，别混用。

3.2 二值化：固定阈值还是大津法

灰度图里文字和背景的亮度差已经拉开了，但还不够——Tesseract 喜欢的是“非黑即白”的图：文字是纯黑（像素值 0），背景是纯白（像素值 255）。二值化就是按一个阈值，把 0~255 的灰度值压成 0 和 255 两个值。

# 大津法自动计算阈值 _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

大津法（OTSU）的思路是：遍历所有可能的阈值，找到一个值让前景和背景的类内方差最小、类间方差最大。这套方法对“背景均匀、文字对比度清晰”的图非常有效，你不用手动试阈值，自适应能力强。

但如果图片光照不均匀——比如扫描件半边亮半边暗，或者拍照时边缘有阴影——全局阈值就扛不住了。这时改用自适应阈值：

# 自适应阈值，blockSize 是邻域大小，C 是常量修正值 adaptive = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 11 )

blockSize=31表示每个像素的阈值由它周围 31x31 邻域的加权均值决定，C=11表示在均值基础上减 11。这样每个局部区域都有自己的阈值，能应对光照从左到右渐变的情况。但自适应阈值的副作用是容易把纸张纹理误判成前景，产生大量椒盐噪点。所以我的一般做法是：先试大津法，如果识别结果里杂点太多，再换自适应，同时配合下一步的降噪。

二值化之后，你要做的第一件事是“目测确认”——用cv2.imwrite("debug_binary.png", binary)把结果存下来看一眼。这一步省不了，因为代码跑通不代表预处理做对了，图上看文字是否黑白分明、背景是否干净，直接决定了后面 OCR 能不能用。

3.3 降噪和文字增强：去点、去线、形态学闭运算

二值化后的图常见两类问题：一是背景残留黑色杂点，二是文字笔画断裂——尤其是打印体文字笔画薄的地方被阈值吃掉，导致一个字裂成好几块，Tesseract 切分时就认不出来。分别对应两个处理手段。

# 第一步：中值滤波去孤立噪点，kernel 取 3x3，太大会模糊文字 denoised = cv2.medianBlur(binary, 3) # 第二步：形态学闭运算，把断裂的笔画连起来 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) closed = cv2.morphologyEx(denoised, cv2.MORPH_CLOSE, kernel)

中值滤波的原理是把每个像素的值替换成邻域内的中位数，孤立噪点在这种操作下会被邻域的正常值淹没。ksize=3是安全的起点，如果图里噪点很多可以试 5，但 5 以上容易把细笔画也当噪点抹掉。

闭运算是“先膨胀后腐蚀”。膨胀让白色区域向外扩张一圈，原本断裂的笔画被连上；腐蚀再把扩张出去的边界收回来，恢复原始尺寸。它专门治“文字缺胳膊少腿”的毛病。kernel 尺寸决定每次膨胀腐蚀的幅度，3x3 对常见文档图的断裂修复效果最均衡。

如果你处理的图里还有干扰线条——比如表格线、下划线、图片边框——这些线会严重影响 Tesseract 的字符切分。常见做法是用霍夫变换检测直线，然后画成背景色抹掉。

import numpy as np # dst 是上一步得到的二值图 # 检测直线并抹除 edges = cv2.Canny(closed, 50, 150, apertureSize=3) lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=200, minLineLength=200, maxLineGap=30) if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] # 只抹水平线和垂直线，避免误杀文字里的斜线 angle_abs = abs(np.arctan2(y2-y1, x2-x1) * 180 / np.pi) if angle_abs < 5 or angle_abs > 85: cv2.line(closed, (x1, y1), (x2, y2), 255, 5)

minLineLength=200过滤掉短线段（避免把文字笔画里的短横当成线），maxLineGap=30允许检测到断开的线时把间隙连起来。抹除时用255（白色背景色）填充，线宽取 5 像素保证盖住整条线。

3.4 角度校正：霍夫变换检测倾斜

拍照或者扫描的时候，图片经常会有几度的倾斜。Tesseract 对倾斜的容忍度很低，稍微歪一点，水平方向的字符切分就对不齐，识别率断崖式下跌。最常见的纠偏方案是：检测图中最长的直线族的倾斜角，然后按角度反向旋转。

def get_skew_angle(image): # 输入灰度图或二值图 edges = cv2.Canny(image, 50, 150, apertureSize=3) lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=300, minLineLength=image.shape[1] * 0.3) angles = [] if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] angle = np.arctan2(y2 - y1, x2 - x1) * 180 / np.pi if angle != 90: # 排除垂直线的影响 angles.append(angle) if not angles: return 0 # 返回角度众数，最普遍的那个倾斜角 return np.median(angles) skew = get_skew_angle(binary) if abs(skew) > 0.5: h, w = binary.shape[:2] center = (w // 2, h // 2) matrix = cv2.getRotationMatrix2D(center, skew, 1.0) binary = cv2.warpAffine(binary, matrix, (w, h), flags=cv2.INTER_CUBIC, borderValue=255)

minLineLength设为图片宽度的 30%，作用是只统计足够长的线——因为文档里的文字行水平排列，文字本身会制造大量短横线，threshold 设高、line 设长能过滤掉这些干扰。得到一组角度后用中位数而不是均值来代表整体倾斜，因为中位数对离群值不敏感，某条歪得离谱的线不会把结果带偏。

这整条预处理链路——灰度、缩放、二值化、降噪、去线、纠偏——每一步都有可视化检查点。我的习惯是把每步的中间结果都imwrite存下来，拼在一起看一遍，哪个环节把文字弄花了立刻能定位到。把预处理做好了，Tesseract 的工作量至少减一半。

4. 调用 Tesseract-OCR：语言包、psm 模式和识别参数一个都不能少

4.1 pytesseract 的最小调用代码

预处理做完，终于到调用 OCR 引擎的环节。pytesseract 的接口非常简洁，但参数里藏着大量影响识别质量的开关。

import pytesseract from PIL import Image import cv2 # OpenCV 的 BGR 或灰度图要先转成 PIL 的 Image 对象 # 因为 pytesseract 内部调用 tesseract 命令行，而 tesseract 的文件接口和 PIL 兼容度最好 text = pytesseract.image_to_string( Image.fromarray(binary), # binary 是前面预处理好的二值图 lang="chi_sim+eng", # 中英文混合识别 config="--psm 6" # 按统一文本块识别 ) print(text)

这里有个隐藏的坑：pytesseract 接收的是 PIL Image 对象，而不是 OpenCV 的 numpy 数组。虽然新版 pytesseract 也支持直接传 numpy 数组，但为了稳妥，我总是显式用Image.fromarray()转换一次。如果你直接把 OpenCV 读出来的 BGR 图传进去，识别出的文字颜色反相，结果里全是乱码。

lang="chi_sim+eng"表示中文和英文同时启用，中间用加号连接。--psm 6是页面分割模式（Page Segmentation Mode），它告诉 Tesseract 图片里的文字是如何排版的——这是影响识别率最关键的参数之一，值得单独展开讲。

4.2 psm 模式选择：6、7、3、13 各自用在哪

Tesseract 的--psm参数从 0 到 13 一共 14 个模式，但日常用途里常用的就 4 个。选错模式的典型症状是：识别结果顺序打乱、多出奇奇怪怪的换行、或者干脆什么都识别不出来。

下面是我在不同场景下的选择经验：

代码里怎么切 psm？在 config 参数里直接写：

# 单行文字识别，适合验证某一行是否切干净了 text = pytesseract.image_to_string( Image.fromarray(binary), lang="chi_sim+eng", config="--psm 7" )

我的调试习惯是：一张图先跑 psm 3 和 psm 6 各一次，对比哪个结果更贴近真实排版。如果内容是一整段连续的正文，psm 6 通常赢；如果有分栏、混合排版，psm 3 更稳。单行文本用 psm 7 能明显减少误切分。

4.3 白名单和字符黑名单：限制识别范围

当你知道目标文本的字符集范围时，用白名单是提升识别率最有效的方法。比如识别银行卡号，只可能出现数字和空格；识别车牌，可能只要汉字+字母+数字。指定白名单后，Tesseract 会过滤掉一切不在列表里的候选字符，很大程度上消除了“0 认成 O”、“1 认成 l”这类错误。

# 只识别数字和横杠，适合身份证号、银行卡号场景 config_digits = "--psm 7 -c tessedit_char_whitelist=0123456789-" text = pytesseract.image_to_string( Image.fromarray(binary), lang="eng", config=config_digits )

注意设置白名单时语言包建议只用eng——因为中文字符数量巨大，白名单过滤对中文并不高效，而且 chi_sim 语言包混用时白名单的表现不稳定。数字场景单独跑 eng 就够了。

反过来，黑名单用于排除特定字符，比如去掉引号、括号这类噪声符号：

config_no_quote = '--psm 6 -c tessedit_char_blacklist="\'"'

4.4 识别结果的后处理：正则清洗

Tesseract 输出的原始字符串往往带有多余空格、歪斜的换行和误识别的字符。不要指望 OCR 一遍输出就完全干净，后处理是流程里必不可少的一环。

import re raw = pytesseract.image_to_string(Image.fromarray(binary), lang="chi_sim+eng", config="--psm 6") # 清除行首行尾的空白字符 cleaned = raw.strip() # 把连续两个以上的换行压成一个，避免空行刷屏 cleaned = re.sub(r'\n\s*\n', '\n', cleaned) # 中英文混排时，英文单词之间多余的空格会影响可读性 # 但中文之间误插入的空格要删掉，替换中文字符间的空格 cleaned = re.sub(r'(?<=[\u4e00-\u9fff])\s+(?=[\u4e00-\u9fff])', '', cleaned)

如果你做的是结构化识别，比如识别固定模板的表格，后处理还可以更进一步：按行拆分、按冒号分割 key-value、用正则提取邮箱和电话号码等。这些规则要根据实际数据写，没有万能模板，但大原则是一致的——OCR 输出是“按照最像的字符猜出来的文本”，永远要当成带噪声的数据来处理，而不是可信的最终结果。

5. 避坑：中文识别乱码、环境报错、阈值翻车——整理自真实复现经验

5.1 现象：中文全变乱码，英文却正常

原因分析：Tesseract 默认只装英文语言包，没有 chi_sim 语言包。直接把中文图交给它，引擎只能拿英文字形库去匹配，匹配不上就输出乱码或空字符串。

解决办法：确认语言包已安装——Linux 上执行sudo apt install tesseract-ocr-chi-sim，Windows 上在安装 Tesseract 时勾选 Chinese Simplified，或者在 GitHub tessdata 仓库手动下载chi_sim.traineddata放进 Tesseract 安装目录的tessdata文件夹。装好后在代码里调用时记得写lang="chi_sim"，并先跑一下tesseract --list-langs确认列表中出现了 chi_sim。

5.2 现象：直接报 TesseractNotFoundError，代码一步都跑不动

原因分析：pytesseract 是封装库，它本身不含 OCR 引擎，需要去系统里找 tesseract 可执行文件。Windows 安装包没把目录加进 PATH 时，pytesseract 找不到二进制文件，直接在 API 层报错。

解决办法：在代码头部显式指定路径，pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"。如果你不知道自己装在哪，就在文件资源管理器里搜tesseract.exe。Linux 下如果用的是自定义编译安装，同样用这个方式指向tesseract的实际位置。这是一个“配好一次、以后再也不用管”的步骤。

5.3 现象：彩色背景图上识别率极低，甚至一个字都认不出

原因分析：直接把彩色原图送进 Tesseract，背景颜色、阴影、渐变都会参与字符切分和匹配，相当于把“干净的白底黑字”变成了“花底花字”，引擎的字符模型被背景噪声带偏。

解决办法：严格遵守预处理链路——灰度化 → 大津法二值化（光照不匀时换自适应阈值）→ 中值滤波。如果图片是深色背景浅色文字，注意二值化时会让文字变白背景变黑，Tesseract 默认按黑字白底识别，需要做一次反色，cv2.bitwise_not(binary)把黑白互换再送识别。

5.4 现象：识别出来的英文单词之间全是多余空格，句读全乱

原因分析：Tesseract 在识别时对字符间距的判断过于保守，把本来连着的字母之间也插入了空格。中英文混排时尤其明显，中文识别结果里经常冒出莫名其妙的西文空格。

解决办法：先用正则做后处理，把中文之间的空格删掉，把连续的换行压缩掉，把英文单词之间多余空格合并。还能从源头缓解——config 里加-c preserve_interword_spaces=1，这个参数让引擎尽量保留单词间真实距离，而不是靠概率硬猜。但根治方案还是后处理清洗，因为 OCR 的字符间距判断本质上就是概率性的。

5.5 现象：截图里的小字号文字识别结果缺胳膊少腿

原因分析：小字号文字的笔画在像素网格上占不满一个字符框，切分时容易被当成噪声吞掉，或者笔画断裂导致字符匹配失败。Tesseract 的字号适应范围大约是 10~20 像素高的文字，低于这个范围识别率急剧下降。

解决办法：在预处理阶段把图片放大 2~3 倍再送识别，用cv2.resize时选择INTER_CUBIC插值，放大后笔画轮廓更完整。我一般会把目标高度定在 1000 到 2000 像素之间。放大这个操作看似简单，实际对识别率的提升往往比调一堆 OCR 参数都明显。另外，宁大勿小——放大后如果字还是花，可以继续加，但不要缩小。

5.6 现象：识别速度奇慢，一张图要十几秒

原因分析：psm 3 模式全自动分行分块时计算量最大，加上高分辨率大图，引擎要对整张图做多轮候选搜索。另一个隐藏原因是图片没缩小时像素量太大，Tesseract 的字符切分复杂度近似 O(像素数)。

解决办法：控制输入图尺寸——高度超过 2000 像素就缩小；不要用 psm 3 处理规则排版，优先 psm 6。如果只是识别单行文本，用 psm 7 速度最快。调试阶段先用低分辨率图跑通流程，全部确认后再上原图跑正式识别。

6. 验证识别的笨办法：一个 30 张图的标注集，算出真实准确率

很多时候代码跑通、识别结果“看着还行”，但别人一问“你的准确率是多少”就答不上来。这里说一个我自己一直用的、不太花哨但很实用的验证方法：准备一个标注测试集，批量跑一遍，逐行比对预测文本和真实文本，字符级准确率一算就有。

先建一个结构简单的标注文件，每张图一行，用 Tab 分隔文件名和真实文本：

img001.png 联系人：张伟 电话：13812345678 img002.png 订单编号：A2024109

然后写批量验证脚本：

import csv import cv2 import numpy as np import pytesseract from PIL import Image def preprocess(path): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) return binary def predict(binary): text = pytesseract.image_to_string( Image.fromarray(binary), lang="chi_sim+eng", config="--psm 6" ) return text.replace(" ", "").replace("\n", "") # 去掉空白后干净对比 # 加载标注 samples = [] with open("labels.tsv", "r", encoding="utf-8") as f: reader = csv.reader(f, delimiter="\t") for row in reader: if len(row) == 2: samples.append((row[0], row[1])) total_chars = 0 correct_chars = 0 per_sample_errors = [] for filename, truth in samples: binary = preprocess(filename) pred = predict(binary) # 字符级比对：统计每个位置是否一致 correct = sum(1 for a, b in zip(truth, pred) if a == b) total_chars += len(truth) correct_chars += correct err = len(truth) - correct per_sample_errors.append((filename, err, len(truth), pred)) print(f"{filename}: 错误 {err}/{len(truth)} 字，预测={pred}") print(f"字符级准确率: {correct_chars / total_chars * 100:.2f}%")

这个脚本的逻辑很直白：逐字符比对真实文本和预测文本，相同字符数除以总字符数得到准确率。比对时我去掉了所有空格和换行，避免排版差异干扰“字符认没认对”的判断。比对脚本简陋，但它的价值在于把“感觉识别得还行”变成数字——一旦变成数字，你就能拿它做 A/B 对比，比如切换 psm 模式、调整二值化阈值、改变放大倍数，每组改动跑一遍测试集，准确率涨了就是有效优化，跌了就是方向不对。

我的习惯是保持这个 30 张左右的测试集固定不变，所有参数调优都拿同一组图来验证。30 张图虽然不算多，对常见场景已经足够暴露问题——如果 OCR 在某个特定排版上会系统性翻车，在这个量级里通常就会现形。固定测试集还有个好处：它能拦住很多“玄学调参”的冲动，让你只保留那些在数据上有效的改动。这个验证脚本我现在做任何 OCR 项目都会第一时间写好，不是最后补的。希望帮到你。

本文还有配套的精品资源，点击获取