1. OCR 是什么
这是什么：OCR（Optical Character Recognition，光学字符识别） = 把图片里的文字变成电脑能读懂的字符串的技术。
为什么用：截图里的字复制不出来，扫描件存进去也搜不到，内容全被锁在图片里。OCR 就是那把钥匙，让「只能看」的图片变成「能复制、能搜索」的文本。
如何用：本章先看懂它的两步原理：文本检测负责找到字在哪，文字识别负责认出这是什么字。
1.1 一眼看清两步原理
现代 OCR（深度学习时代）基本是「两步走」：
原图 → ① 文本检测（找到文字在哪）
→ ② 文字识别（认出每个框里写的是啥）
→ 输出「文本 + 位置 + 置信度」- 检测（Detection）：用计算机视觉模型框出文字区域，像画框框
- 识别（Recognition）：把每个框送进序列模型读出字符（CRNN 系经典架构）
你手里的库（EasyOCR、PaddleOCR）这两步都内置好了，一行 API 出全套结果——理解两步的概念，是为了看懂输出里的坐标和置信度，而不是自己造轮子。
1.2 输出长什么样
result = reader.readtext('screenshot.png')
你会看到（示例）：
[[[12, 18], [231, 18], [231, 45], [12, 45]], '青蛙编程网', 0.953]一图多行文字就是多个三元组：位置框 + 文本 + 可信程度。置信度（0~1）低的那行，多半是图糊了，或者字体太艺术。
| 输出内容 | 用途 |
|---|---|
| 文本 | 直接进数据库 / 搜索 / 翻译 |
| 坐标 | 排版还原、表格还原、水印定位 |
| 置信度 | 低分送人工复核（工程必备技巧） |
1.3 到处都在用它
| 场景 | 例子 |
|---|---|
| 办公自动化 | 扫描合同、发票批量录入 |
| 学习助手 | 截图生词、字幕提取、纸质书全文检索 |
| 写代码 | 把截图里的报错信息一键变成可复制的文本 |
| 通行世界 | 车牌识别、快递单号、身份证 / 银行卡 |
1.4 为什么现在「人人可做」
- 没有训练成本：各式预训练模型开箱即用，下一章装好就能跑
- 中文不愁：PaddleOCR 在中文场景常年第一梯队
- CPU 也能跑：几张图的小任务无需显卡（GPU 只是提速）
记忆口诀：检测先圈出文字在哪，识别再读出写了什么；文本、坐标、置信度，三样一起交到手。
1.5 OCR 会被多模态大模型取代吗
不会，而且短期内不会。多模态大模型确实能「看图说话」，但和专用 OCR 相比有三处硬伤：
| 对比项 | 专用 OCR | 多模态大模型 |
|---|---|---|
| 成本 | 本地跑，一分钱不花 | 每张图都要调 API、按量付费 |
| 速度 | 小图毫秒级 | 秒级起步 |
| 精确度 | 逐字输出 + 坐标 + 置信度 | 擅长「总结」，逐字转录反而容易出错、改写 |
大模型擅长理解（这段文字在讲什么），OCR 擅长转录（一个字都不差）。工程上常常是 OCR 转录、再喂给大模型理解，各干各的活。
1.6 OCR 也有搞不定的时候
- 手写体、潦草字：通用模型识别率会明显下降
- 文字严重变形：弯曲招牌、艺术字、印章叠印
- 低质量翻拍：手抖、反光、阴影压住文字
碰到这些别硬扛——先做预处理（第 5 章），不行就换更强的模型或走人工复核流程。
1.7 动手改
- 找一张含文字的截图（最好中英文都有），存成
test.png备用 - 想一想：识别出「文字」之后，你打算拿它做什么？存数据库、做搜索，还是直接喂给 AI？
1.8 小结
- OCR = 检测（文字在哪）+ 识别（写了什么），输出文本 / 坐标 / 置信度
- 场景遍地，预训练模型开箱即用，CPU 就能跑
- 下一章就把你的截图「读」出来
下一章：环境搭建与第一次识别 🐸