报销季看同事三秒录完一张发票，我把OCR这东西刨了个底

上周四下午，办公室最后一排那位哥们儿。 一沓纸，三十多张发票。餐饮的、打车的、楼下打印店的。我还在那儿一张一张敲金额、敲开票日期，手指头发酸。他呢？手机往桌上一架，对着摊开的一堆纸，咔嚓、咔嚓、咔嚓——十几秒，一张表格出来了。 我当时的第一反应是：这也太不公平了。 第二反应是：这玩意儿到底怎么做到的。 那天晚上回去我就没睡好。倒不是焦虑，是好奇心上来了，越琢磨越觉得有意思。今天就把我扒拉出来的这些东西，用大白话讲给你听。

那堆破发票，怎么变成Excel里一行行的

很多人以为OCR就是「拍照识字」四个字。其实它中间拆得很细。 你可以把它想象成一个人趴在纸上找字。先用眼睛扫一遍，看哪里有字；接着凑近了，一个一个认；认完还得靠脑子判断——刚才那串数字里，哪个是金额，哪个是发票号，哪个是校验码。 这三步，对应到技术里，就是三个完全不同的问题。 第一步是「找」。图像进来，先做点预处理：灰度、去噪、拉正。你拍歪了，它会先估算一个倾斜角，把整张图转回来。这一步做不好，后面全白搭。然后才是检测：把有文字的矩形框一个个框出来。注意，这一步它根本不知道框里是什么，只知道「这块地方像素变化密集，大概率有字」。 第二步是「认」。把每个框里的图，翻译成字符。这一步最吃训练数据。印刷体好办，因为印刷体的字形是标准化的，同一台打印机打出来的「税」字，一万张里长得都一模一样。 第三步是「懂」。这才是真正拉开差距的地方。四十个字符认出来，还得知道怎么排、怎么归类。金额通常带小数点和￥，日期有固定的格式，税率一般就那几个值。靠这些规则，它把一串散字拼成一条结构化的记录。

它真正怕的，跟你想的不太一样

大家默认「字丑」是OCR的死穴。嗯，是对的，但不是最重要的那个。 更要命的是「没上下文」。 举个特别典型的例子。数字零和大写字母O，小写字母l和数字1，这两个组合你单独拿出来看，人的肉眼也经常分不清。我打印过一份东西，账号里一串「1l1l1l」，我自己看了三遍才敢确认。 但把「￥1O0.00」放在一起，你立刻就知道了——那必然是零，不可能是字母O。 所以现代OCR后面基本都挂着一个语言模型或者词典，专门干纠错。它做的事，跟你在微信里打错一个字，输入法自动帮你改掉，是同一个思路。只不过它纠的是「被认错的字」，而不是「被按错的键」。 那手写体为什么难？ 因为每个人的笔画都不一样。你写「张」，我写「张」，起笔、连笔、收笔，全是个人习惯。印刷体是有统一标准的，手写体没有。训练数据里，印刷体的样本可以堆到天文数字，手写体就那么点，还得覆盖各种人、各种笔、各种歪歪扭扭。 还有几类东西，OCR见了也头疼： 表格的线。线和字挨得太近，切框的时候容易把线算进去，也容易把字切两半。 红章。一个红章盖在金额上，颜色和字不一样，灰度化之后糊成一团，字就没了。 褶皱和反光。纸皱了，光打在塑料膜上，那一块的图基本等于废了。

市面上那些「什么都能认」的说法，我劝你别全信

这句话可能得罪人，但我还是想说。 你经常能看到「识别准确率99%以上」这种宣传。数字本身可能是真的，问题是它测的是什么。白底黑字、工工整整的印刷体，正着拍、光线均匀，那确实能到99%甚至更高。 但你把场景换成：晚上开闪光灯，隔着玻璃拍的，还歪着十五度，纸上有咖啡渍——掉到七八十，一点都不奇怪。 这两个数字都是真的，只是它们说的不是同一件事。 再说一个我踩过的坑：PDF转Word。 很多人以为这是同一个功能，其实里面分了两条完全不同的路。 第一条，电子版PDF。它文件里本来就有文字层，你要转，直接抽出来就行，又快又准，排版也保得住。这压根没OCR什么事。 第二条，扫描件PDF。它就是一张一张的图片，跟照片没区别。这时候才轮到OCR上场，而排版——那些分栏、缩进、页眉页脚——是靠「猜」出来的。所以经常出现字都对了，但顺序排得乱七八糟。段落被拼成一坨，或者一段话被拦腰截断。这不一定是技术烂，这是它本来就在猜。 还有些功能，名字听着像OCR，其实不是。比如「识别身份证」。那是有固定模板的，知道身份证长什么样，各字段大概在什么位置，属于定向提取。你把一张超市小票丢进去，它一样抓瞎。

你随手拍的那张图，后来去哪了

这个我觉得比准确率重要得多。 很多App里，OCR是在云端算的。也就是你的照片先上传，服务器跑完模型，再把结果发回你手机。中间那张原图在哪、留多久、会不会被拿去做别的，你一般是看不到的。 当然也有本地算的。现在手机芯片跑一个轻量模型，识别一段印刷体完全够用。但本地模型小，遇到脏图、手写、复杂版面，效果就是比云端的差一截。 所以厂商很难不做取舍。 我的习惯是：身份证、银行卡、合同、体检单这一类的，能用系统自带的相机文字提取就用自带的，尽量别往陌生的识别App里塞。真要用，先看看它有没有说明白数据怎么处理。 顺带说一个有点黑色幽默的事。早期那些图形验证码，设计出来的初衷就是「人认得、机器不认得」。歪曲的字母、噪点、干扰线，全是冲着OCR去的。 现在呢？这些东西基本已经被读穿了。 所以你现在看到验证码越来越像「点出所有红绿灯」「选出自行车」，那其实是被逼的——静态的字符，机器已经不太当回事了。

最后扯两句我自己的感受

有人问我，现在大模型都能直接看图说话了，OCR是不是快过时了。 我觉得不会，但它的位置确实在变。 那种「理解一整张复杂版面，顺便把意思也读出来」的活儿，确实在被大模型一点点接走。但另一种活它接不了：一秒处理八千张单据，只要字段，不要解释，还要便宜。 这活儿还得是OCR。 就像计算器没被电脑淘汰一样——它不酷，但你天天用。 哦对，那天报销我最后还是自己敲的。因为我发现那哥们儿拍完之后，还是花了两分钟挨个核对金额。他说上个月有一次，小数点被认错了，小数点后面那个「0」丢了一位，多报了一千多，被财务打电话约谈。 所以啊，机器认字再快，最后那一眼还得你自己看。 别偷懒。