OCR（文字识别）使用说明

OCR（文字识别）可以把图片、扫描件、文档截图里的文字识别出来。
识别完成后，可以复制结果，也可以导出成 Markdown（Markdown 文档）、PDF（PDF 文档）、Word（Word 文档），或者把多种格式一起打包下载。

这个功能能做什么

功能	说明
图片文字识别	识别图片、截图、扫描件里的文字。
文档版面识别	对表格、公式、印章、图文混排这类文档更友好。
多服务选择	支持百度飞桨 PaddleOCR（飞桨文字识别）、微软 Azure Vision（微软视觉识别）、谷歌 Google Vision（谷歌视觉识别）。
结果复制	识别完成后，可以直接复制文字结果。
导出文件	支持导出 Markdown（Markdown 文档）、PDF（PDF 文档）、Word（Word 文档）。
批量打包	多个文件识别后，可以把结果打包下载。

先配置识别服务

入口在：

系统配置 -> 其他设置 -> OCR（文字识别）

这里可以填写不同识别服务的凭据：

服务	后台要填什么	适合场景
百度飞桨 PaddleOCR（飞桨文字识别）	PaddleOCR Token（飞桨访问令牌）	推荐优先使用，适合文档、图片、表格、图文混排。
微软 Azure Vision（微软视觉识别）	Azure Vision Endpoint（微软接口地址）和 Azure Vision API Key（微软密钥）	适合使用微软云服务的用户。
谷歌 Google Vision（谷歌视觉识别）	Google Vision API Key（谷歌密钥）。服务账号 JSON（账号配置文件）只用于查询额度。	适合使用谷歌云服务的用户。

填好后点击保存。
只想先试用的话，可以先配置一个服务，不需要三个都填。

谷歌 Google Vision（谷歌视觉识别）怎么配置

谷歌这里分两件事：

要做什么	需要准备什么
使用 OCR（文字识别）	启用 Cloud Vision API（云视觉接口），然后创建 API Key（接口密钥）。
查询使用次数	创建服务账号，给 Monitoring Viewer（监控查看者）角色，再下载服务账号 JSON（账号配置文件）。

用谷歌做 OCR（文字识别）

操作顺序如下：

1. 打开 Google Cloud Console（谷歌云控制台）。
2. 进入 API 和服务（API 和服务）。
3. 打开 库（库），搜索并启用 Cloud Vision API（云视觉接口）。
4. 回到 凭证（凭证）。
5. 点击创建凭证，创建 API Key（接口密钥）。
6. 点开这个 API Key（接口密钥），复制密钥内容。
7. 回到图床后台，把密钥粘贴到 Google Vision API Key（谷歌视觉接口密钥）里。
8. 点击保存。

这样就可以在 OCR（文字识别）弹窗里选择谷歌 Google Vision（谷歌视觉识别）来识别图片。

查询谷歌使用次数

查询额度不是识别必需项。
它只是用来查看谷歌 Google Vision（谷歌视觉识别）最近 30 天大概用了多少次。

操作顺序如下：

1. 在 Google Cloud Console（谷歌云控制台）进入 IAM 和管理（身份和权限管理）。
2. 打开 服务账号（服务账号）。
3. 创建一个服务账号，例如 vision-monitor（视觉用量监控）。
4. 给这个服务账号添加 Monitoring Viewer（监控查看者）角色。
5. 进入服务账号详情，创建密钥。
6. 密钥类型选择 JSON（账号配置文件）。
7. 下载生成的 JSON（账号配置文件）。
8. 回到图床后台，在服务账号 JSON（可选）这里点击导入。
9. 导入成功后，再点击查询额度。

导入成功后，后台会显示这个服务账号所属的项目名。
点查询额度时，系统会读取谷歌监控数据，然后显示这个月已经调用了多少次。

简单理解就是：

内容	作用
Google Vision API Key（谷歌视觉接口密钥）	用来真正识别图片。
服务账号 JSON（账号配置文件）	用来查询谷歌接口用了多少次。
Monitoring Viewer（监控查看者）角色	让服务账号可以读取用量数据。

获取百度飞桨令牌

百度飞桨 PaddleOCR（飞桨文字识别）需要先拿到访问令牌。

在百度飞桨页面里打开 API（接口）调用窗口，点击获取令牌，然后复制令牌内容。
回到图床后台，把令牌粘贴到 PaddleOCR Token（飞桨访问令牌）里保存即可。

开始识别

在文件管理里选中一个图片或文档截图，点击 OCR（文字识别）按钮。

弹窗里可以选择识别接口和识别模型。

百度飞桨 PaddleOCR（飞桨文字识别）常用模型可以这样选：

模型	适合场景
PP-StructureV3（结构化文档识别）	推荐默认使用，适合文档、表格、公式、印章、图文混排。
PP-OCRv5（通用文字识别）	适合简单图片、普通文字、轻量识别。
PaddleOCR-VL（视觉语言模型）	适合多语言、复杂图片、图表类内容。
PaddleOCR-VL-1.5（增强视觉语言模型）	适合更复杂的文档页面和版面恢复。

不确定选哪个时，先用 PP-StructureV3（结构化文档识别）即可。

高级选项

识别弹窗里有高级选项，常用理解如下：

选项	说明
方向校正	图片拍歪、旋转时可以打开。
文档展平	拍照文档有弯曲、倾斜时可以打开。
版面检测	想保留标题、段落、表格、图片结构时建议打开。
图表识别	图片里有图表、复杂结构时再打开。
美化 Markdown（Markdown 文档）	导出 Markdown（Markdown 文档）时更容易阅读。

普通截图可以少开选项，文档扫描件可以多开一些。

查看识别结果

识别完成后，弹窗里会显示识别结果。
可以直接复制，也可以选择导出格式后点击导出。

如果识别的是文档页面，PDF（PDF 文档）导出后可以保留页面效果，并且文字可以搜索。
这类结果适合保存原始版面，后面查找内容也方便。

导出格式怎么选

导出格式	适合场景
Markdown (.md)（Markdown 文档）	适合整理笔记、复制到文档系统、后续继续编辑。
PDF (.pdf)（PDF 文档）	适合保留页面效果，保存扫描件识别结果。
Word (.docx)（Word 文档）	适合继续排版、修改文字、交给别人编辑。
全部导出	同时保存多种格式和原图，适合重要文件归档。

如果只是要文字，导出 Markdown（Markdown 文档）最轻。
如果还要页面效果，导出 PDF（PDF 文档）或 Word（Word 文档）更合适。

Word（Word 文档）效果

导出 Word（Word 文档）后，可以用办公软件打开继续编辑。

有些文档会把识别到的图片、标题、段落一起放进 Word（Word 文档）里。
识别效果和原图清晰度、模型选择、文档复杂度都有关系。

哪些文件更适合识别

文件类型	建议
清晰截图	直接识别即可。
扫描件	优先用 PP-StructureV3（结构化文档识别）。
拍照文档	可以打开方向校正、文档展平。
表格/公式/印章	优先用结构化模型。
普通短文字图片	PP-OCRv5（通用文字识别）就够用。

图片越清晰、文字越端正，识别结果通常越好。

常见情况

情况	说明
识别失败	先检查对应服务的令牌或密钥有没有保存。
识别很慢	文档越复杂、图片越大，等待时间越长。
表格不完整	可以换结构化模型重新识别。
文字有错字	原图模糊、反光、倾斜时更容易出错，可以换更清晰的图片。
Word（Word 文档）里图片较多	结构化模型会保留部分识别图片，这是正常情况。

谷歌查询额度失败

先检查三件事：

1. 是否已经导入服务账号 JSON（账号配置文件）。
2. 服务账号是否有 Monitoring Viewer（监控查看者）角色。
3. 当前项目是否已经启用 Cloud Vision API（云视觉接口）。

如果只是识别图片，不查询次数，可以先不管服务账号 JSON（账号配置文件），只填 Google Vision API Key（谷歌视觉接口密钥）就行。

简单流程

打开系统配置
-> 进入其他设置
-> 填写 OCR 服务凭据
-> 保存
-> 回到文件管理
-> 选中文件并点击 OCR 识别
-> 选择模型
-> 等待识别完成
-> 复制结果或导出 Markdown / PDF / Word