# 词典类图书PDF文档版面自动分析、加工的初步探索

**URL:** <https://forum.freemdict.com/t/topic/41074>\
**Category:** 技术交流与词典编修\
**Created:** [2025 年8 月 9 日 10:05 UTC](https://forum.freemdict.com/t/topic/41074 "2025-08-09T10:05:43Z")\
**Posts on this page:** 1\
**Showing post:** 16

<div class="post-metadata">

**Author:** ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\
**Post date:** [2025 年8 月 10 日 06:17 UTC](https://forum.freemdict.com/t/topic/41074/16 "2025-08-10T06:17:23Z")

</div>

预处理是文本识别里最重要的一环。词典 ocr 第一步就要做版面拆分双栏变单栏，然后单栏合并成一页再去识别，有妨碍识别效果的文本需要用白色贴条先挡掉，比如顶部和侧边的页码，日文的话也类似，需要先把注音假名用白色贴掉。

如何分栏拆分和贴条直接问 ai 就行了，现在都很简单了。

> [@文本识别 OCR 引擎评测](https://forum.freemdict.com/t/topic/29093):
>
> 单开一贴，总结下常见 OCR 引擎的识别结果。 2026 年 2 月 03 日 新增智谱 GLM-OCR 的测试结果 2026 年 1 月 29 日 新增百度 PaddleOCR-VL-1.5 的测试结果 2026 年 1 月 28 日 新增测试样本四 Kimi K2.5 和 DeepSeekOCR 2 的测试结果 最新的文档识别准确率： 合合 \> Qwen3 VL 8B=Paddle…

---

_[View the full topic](https://forum.freemdict.com/t/topic/41074)._