欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

扫描版卷宗与公文书怎么进知识库:OCR 版面还原加表格抽取的可复现流程

上邦 RAG 团队2026-11-10阅读 约 11 分钟
扫描版法律卷宗、公文书不能直接塞进向量库,否则表格结构和栏目顺序都会丢。本文给出一条可复现的流程:版面检测定位区块、OCR 抽文字、表格结构还原,最后切块入库,并附 PaddleOCR 与 LayoutParser 的可运行代码。
结论先说清楚:扫描版卷宗、公文书、合同扫描件不能直接整页塞进向量库,否则表格的行列结构、栏目的先后顺序会全部丢失,检索出来的文本是按阅读顺序拼起来的乱序片段,模型答出来也是错的。可行做法是先做版面检测,把页面切成文字块、标题块、表格块,文字块走 OCR、表格块走表格结构识别,再按区块保留结构后切块入库。投入上,一个中等规模的律所或法务部门,用开源的 PaddleOCR 加 LayoutParser,两到四周可以完成首版流水线,不需要 GPU 也能跑通。最容易踩的坑,是跳过版面检测直接整页 OCR,把「原告」「被告」「案由」混成一团,后面怎么调提示词都救不回来。

为什么扫描件不能直接进 RAG

卷宗和公文书的版面高度结构化:首部是法院信息,中间是当事人与案由,尾部是落款与日期,还夹着大量表格(证据清单、财产明细、送达回证)。通用 OCR 按阅读顺序吐文字,会把表格第一列的「项目」和第二列的「金额」拆成两段不相邻的文字,向量切块后语义破碎。法律问答恰恰最依赖「哪一行对应哪一类信息」,结构一丢,召回就废。更糟的是,整页切块会把跨页表格拦腰截断,模型连「这是同一张表」都判断不了。

三步流程:检测、抽取、切块

① 版面检测:用 LayoutParser 把页面分成 Text、Title、List、Table、Figure 五类区块,得到每个区块的坐标;
② 分而治之:文字块送 PaddleOCR 抽文字,表格块送表格结构识别还原行列,标题块单独保留层级;
③ 结构化切块:把每个区块连同其类型与页码写成一段自包含文本,再送进企业私有 AI 知识库做向量化,保证表格被当成一个整体召回。

可复现代码:版面检测与表格定位

下面用 PaddleOCR 与 LayoutParser 完成版面检测,并打印出所有表格区块的坐标,后续可据此裁剪表格区域做结构识别。代码不依赖 GPU,纯 CPU 即可运行。
import cv2
import layoutparser as lp
from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='ch')
model = lp.PaddleDetectionLayoutModel(
    config_path='lp://PubLayNet/ppyolov2_r50vd_dcn_365e_publaynet/config',
    threshold=0.5,
    label_map={0: 'Text', 1: 'Title', 2: 'List', 3: 'Table', 4: 'Figure'},
    enforce_cpu=True)

image = cv2.imread('scan.jpg')[..., ::-1]
layout = model.detect(image)
for block in layout:
    if block.type == 'Table':
        x1, y1, x2, y2 = block.coordinates
        table_img = image[y1:y2, x1:x2]
        print('表格区块坐标:', block.coordinates)
    else:
        crop = image[block.coordinates[1]:block.coordinates[3],
                     block.coordinates[0]:block.coordinates[2]]
        result = ocr.ocr(cv2.cvtColor(crop, cv2.COLOR_RGB2BGR), cls=True)
        print(block.type, result[0][0][1][0] if result and result[0] else '')

表格怎么不丢结构

PaddleOCR 的 PP-Structure 能力可以把表格区块识别为结构化单元格,输出带行列索引的文本。关键是把「表格」当成一个独立对象处理,而不是当成一段长文本。下面这段把表格识别结果整理成「行-列-值」的三元组,切块时整张表作为一条记录,并在元数据里标注 doc_type 为 table,检索时就能让「第几行第几列是什么」保持完整。
def table_to_rows(cells):
    # cells: [(row, col, text), ...]
    max_r = max(c[0] for c in cells)
    max_c = max(c[1] for c in cells)
    grid = [['' for _ in range(max_c + 1)] for _ in range(max_r + 1)]
    for r, c, t in cells:
        grid[r][c] = t
    rows = [' | '.join(row) for row in grid]
    return '表格内容:\n' + '\n'.join(rows)

# 把整张表作为一条知识记录,而不是逐格拆分
text = table_to_rows(cells)
metadata = {'doc_type': 'table', 'page': page_no, 'case_id': case_id}
这套方法同样适用于合同扫描件与公文书中的附表。把表格结构保留进企业知识库后,问「这份文书里被告需要支付的总金额是多少」才能被正确召回,而不是答出一段拼错的金额。需要强调的是,表格切块后要在元数据里带上 case_id 与页码,这样跨页表格在检索时可以被聚合同一文书,避免答案横跨两张不相关的表。

质量校验清单

① 抽 10 页含表格的扫描件,人工核对表格行数和列数是否与原文一致;
② 检查跨页表格是否被错误切断,必要时按 case_id 合并;
③ 验证标题层级是否保留,避免「本院认为」被归到证据段;
④ 用真实问题做召回测试:问一个只在表格里出现的事实,看答案是否引用正确区块;
⑤ 对模糊、倾斜严重的扫描页单独标记,进人工复核队列而非直接入库。

边界:涉密材料不出域

说明:卷宗与公文书常含国家秘密、商业秘密或个人隐私,整条流水线应部署在机构内网,OCR 与向量库均不出域;涉及个人信息的,须符合个人信息保护要求。本文示例代码为通用开源工具的调用骨架,实际部署需结合机构的安全与权限规范。

参考来源

PaddleOCR 开源项目(版面分析与表格识别 PP-Structure) - GitHub / PaddlePaddle
LayoutParser 文档与 PaddleDetectionLayoutModel 用法 - layout-parser.github.io / PaddleOCR
PaddleOCR 新发版 v2.2:开源版面分析与轻量化表格识别 - 飞桨 PaddlePaddle
相关标签:法律科技OCR版面分析表格抽取知识库

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案