PaddleOCR Text Recognition 是一款专为从图像、照片、扫描件或 PDF 中提取文本而设计的 AI 技能工具。它基于百度开源的 PaddleOCR 技术，能够高效识别多种格式的文档内容，并返回机器可读的纯文本字符串。该工具适用于需要将视觉信息转化为结构化文本的场景，例如发票识别、合同解析或文档数字化处理。用户可以通过命令行接口提交本地文件路径或远程 URL，系统将自动调用 OCR（光学字符识别）服务完成文本提取任务。 使用本技能前需确保已安装 Python 环境及依赖包，并通过环境变量配置 API 访问凭证。首次运行时若未设置 `PADDLEOCR_OCR_API_URL` 和 `PADDLEOCR_ACCESS_TOKEN`，脚本会提示错误并要求用户前往 paddleocr.com 获取服务地址与密钥。支持的文件类型包括 PNG、JPG、JPEG、BMP、TIFF、TIF、WEBP 等常见图片格式以及 PDF 文档；对于无扩展名的 URL 输入，系统可尝试自动推断文件类型。 整个处理流程分为四个主要步骤：首先判断输入源是本地文件还是网络资源，然后执行 OCR 调用命令，接着解析返回的 JSON 结果，最后将完整识别出的文本呈现给用户。默认情况下，原始结果会被保存至临时目录下的 JSON 文件中，同时控制台输出绝对路径供查阅。开发者也可选择直接打印到标准输出流以简化集成逻辑。
核心功能特点
- 支持从图像、照片、扫描件及 PDF 中提取文本
- 可通过本地文件路径或远程 URL 提交待识别内容
- 返回标准化的 JSON 格式结果，包含成功状态、识别文本与错误信息
- 自动检测文件类型，也允许手动指定文件类别（如 image/pdf）
- 提供 –pretty 参数美化输出，便于人工阅读调试
- 内置超时控制与环境变量配置机制，适配不同部署场景
适用场景
PaddleOCR Text Recognition 特别适用于那些需要将纸质或数字图像中的文字内容转换为可编辑、可搜索、可分析格式的实际应用场景。例如，在企业财务系统中批量处理发票扫描件时，该工具能快速提取金额、日期、供应商名称等关键字段；在法务部门归档合同时，可实现全文本检索与比对；教育机构在试卷批改或古籍数字化项目中也能借助其高精度识别能力提升效率。此外，对于电商平台而言，上传商品图片后自动提取规格参数并录入数据库也成为可能。 另一个典型用例是移动端应用的后端服务集成——当用户拍照上传身份证、驾驶证或其他证件时，无需人工录入即可通过此技能获得清晰准确的文本数据。不仅如此，科研人员在处理实验记录本、手写笔记或历史文献时，也能从中受益。由于输出为纯净无格式文本，后续可直接用于自然语言处理任务，如关键词抽取、情感分析或知识图谱构建。 需要注意的是，尽管该技能擅长处理单行或多行印刷体文字，但对于包含复杂表格、数学公式、图表布局或多栏排版的文档，建议结合专门的文档解析模块共同使用。同样地，纯文本文件（如 .txt、.md）应避免使用此技能，以免造成资源浪费。总之，任何涉及‘看图识字’且目标仅为获取线性排列文本内容的任务都适合采用 PaddleOCR Text Recognition 来实现自动化处理。