这 OCR 系统最后能跑起来，全靠我晚上那半小时的硬拉。肌肉酸得发抖的时候，脑子里那些乱七八糟的接口文档、正则匹配规则反而像被熨平了一样，一条线捋得清清楚楚。
客户扔过来三千多张纸质订单，全是手写的，要在一周内录进他们的 ERP。团队里两个小孩一听就蔫了，说这得通宵手动敲键盘。我一看那字迹，有的跟鬼画符似的，但仔细看还是有规律——地址无非是省市区街道，商品名也就那几十个 SKU。纯手动？那是用人力去填无底洞。我让他们先手工录一百张试试，同时我打开 Pycharm。
第一版想法太天真了。直接用 Tesseract 怼整张图片，识别率不到三成。那些连笔字和潦草的数字，对通用 OCR 来说就是天书。得拆解。我把扫描件用 OpenCV 做预处理，灰度、二值化、降噪，把表格线先提取出来，按坐标把每个填写框单独切分成小图。这步就卡了我一天——扫描件有倾斜，有阴影，每个框的像素位置不是绝对固定的。用了轮廓检测，但有些框线太淡，跟背景糊在一起。最后是用了自适应阈值分割加上形态学操作，才勉强把框线稳定地抠出来。
框切出来了，识别还是烂。特别是数字“7”和“1”，客户写得跟树枝似的，Tesseract 老是认错。这时候就得用笨办法了：规则引擎。我写了个识别后处理器，针对数字和常见中文做了映射纠错。比如，识别结果是“l”但上下文是金额，大概率是“1”；“十”和“十”分不清，就看它前后有没有其他量词。这招有点用，但纠错规则越写越多，像打补丁，代码成了一座屎山。
真正的转折点是在健身房。那天练背，最后一个引体向上死活拉不上去，小臂和背阔肌烧得厉害，脑子却异常清醒。我忽然想到，为什么非要用通用OCR去硬刚所有字体？这些单据格式是固定的啊。我可以先用少量手工录入的数据作为训练样本，去微调一个专门的模型。对，用 PaddleOCR，它支持自定义训练。我需要的不是认识天下所有字，我只需要认识这三千张单子上的字。
思路通了，剩下的就是体力活。我让团队把那已经手工录入的几百张数据，图片和文本对应好，做成数据集。自己则开始啃 PaddleOCR 的文档，搞明白怎么准备数据、修改配置文件、启动训练。训练过程倒是简单，扔到服务器上跑就是了，但等结果的时候最煎熬。第一轮训练完，准确率从30%提到了65%，有戏。我根据识别错误的样本，专门针对那些鬼画符的字，又补充了一百多张数据，做了第二轮训练。这次到了82%。够了，剩下的可以用规则和人工复核来兜底。
我把流程串了起来：扫描件批量上传 -> 自动切分单元格 -> 调用自训练OCR模型识别 -> 规则引擎纠错 -> 输出结构化的 JSON。最后一步写了个脚本，把 JSON 映射到 ERP 的数据库字段，模拟表单提交。原来预估要三个人干一周的活，最后系统跑了两天，加上半天的人工复核和补漏，全部搞定。
交付那天，肌肉还是酸的，但看着自动滚动的日志和一条条成功写入数据库的记录，有种奇怪的踏实感。之前总迷信脑力，觉得代码能解决一切。但这几个月被管理和交付压得喘不过气，身体先垮了，注意力根本集中不了。现在明白了，你思考问题的“算法”再精妙，跑在濒临蓝屏的“硬件”上，全是白搭。深蹲架旁边流的汗，和屏幕前敲的代码，本质上是一回事：都是把混乱无序的东西，通过可重复的、正确的发力模式，变成有序的输出。
