拼多多市值超阿里这事儿，我是在调试 Tesseract 的 config 文件时刷到的。屏幕右下角弹窗一闪，我愣了两秒，然后继续敲命令行。不是不震惊，是手头这堆单据再不处理完，客户明天就要来砸门了。
客户是本地一家连锁药店，每天从十几个门店回收手写的销售单、盘点表，厚厚一摞，堆在仓库角落像座小山。他们之前雇了三个兼职大学生手动录入 Excel，错漏百出，月底对账能对到吐血。找到我时，那个运营总监眼睛都是红的，说“老师，钱不是问题，时间真是问题”。我懂，这种传统行业的小老板，对“数字化”的理解就是能不能明天就让这堆纸消失。
我一开始想得太简单了。不就是 OCR 吗？现成的百度、腾讯云 API 扔过去不就完了？试了，死得很惨。单据格式五花八门，有的表格线是手画的虚线，有的关键数字就写在印章旁边，还有那种复写纸第三联，字迹淡得像要隐身。用通用 API，识别率不到 60%，后期人工核对比全部手打还累。关键是贵，一张图几毛钱，这上万张单据扫下来，客户那点预算够干个屁。他们需要的是一个能塞进他们老旧电脑里、点一下就能跑、识别率至少 95% 以上的黑盒子。
只能自己搞。回归到最原始的开源方案：Tesseract + OpenCV。情怀在效率面前一文不值，我的情怀就是今晚必须让这个脚本跑通。
真正的战斗从数据预处理开始。光照不均，用自适应阈值二值化（cv2.adaptiveThreshold）比全局阈值强多了，但有些纸泛黄，阈值参数得动态调。表格线干扰，尝试用霍夫线变换检测并移除，但手画线歪歪扭扭，经常把笔画也当线擦掉了，后来改用形态学操作（cv2.morphologyEx）进行闭运算，先连通行再找轮廓，效果好了不少。最头疼的是印章和手写数字重叠，通用识别引擎会优先认印章那个红圈圈里的字。我不得不针对数字区域做单独切割，用 –psm 8（单字模式）单独识别，再把 Tesseract 的语言数据包换成只训练了数字和少量英文字符的版本，识别率从 70% 蹭到 88%。
88% 还不够。那剩下的 12% 错误，足以让整个财务系统崩溃。我开始搞后处理校验。比如“金额”栏，识别出来的字符串用正则过滤，必须符合“数字+小数点+两位数字”的模式；商品编码有固定前缀，不对就根据上下文用编辑距离算法（Levenshtein distance）从已知编码库里找一个最像的补上。这相当于给 OCR 加了一个基于业务规则的纠错层，把识别率硬生生抬到了 95% 左右。最后用 PyInstaller 打包成 exe，界面丑得一批，就两个按钮：“选择文件夹”和“开始识别”。交给客户时，他们那个 IT 小伙点了下，看着进度条哗哗走，眼睛都直了。
做完这个项目，我瘫在椅子上，感觉身体被掏空。但脑子停不下来。拼多多为什么能超阿里？不就是极致效率吗？把“多快好省”里的“好”和“省”做到变态，用游戏化的裂变和简单粗暴的补贴，砍掉一切中间环节和审美成本。阿里讲生态，讲赋能，讲情怀，太重了。在当下这种寒气逼人的环境里，谁给你时间慢慢赋能？大家要的就是一把能立刻劈开眼前荆棘的斧头。
我这套 OCR 土法炼钢，就是一把斧头。没用什么高深莫测的 AI 模型，就是 OpenCV 那点图像处理，加上 Tesseract 和一堆业务逻辑硬编码。但它能解决问题，能在 24 小时内把别人一个月的手工活干完，还能保证准头。这就是效率。情怀是等你有余粮时才配谈的奢侈品。当仓库里堆着发霉的纸单，当现金流紧绷到按天计算，任何不能立刻转化为生产效率的东西，都是狗屁。
窗外天快亮了，我关掉 Tesseract 的训练日志。突然觉得，我和拼多多，在某个维度上干的是一样的事：在泥泞里，用最现实的手段，抢时间。只是他们抢的是电商格局，我抢的，是今晚的睡眠和客户的尾款。
