一份报告里有张柱状图，你想把几年的数据放进自己的表格，却发现复制出来的只有图下那行标题
接下来只能放大图片，找数字、看坐标，再一格一格录入 遇到没有标数值的柱子，还要对着刻度估算
LightOn 在 10 月 8 日发布的 LightOnOCR-3，把这类工作纳入了文档识别 它能从页面图片中提取文字、标出内容所在的位置，并把图表里的数据整理成表格
它给人的帮助，是先把一页只能看的材料，变成一份能继续整理的初稿 提取出来的数字是否可信，仍要回到原图检查
复制文字，只完成了半件事
从扫描件里认出文字，这类技术叫 OCR 手机拍照提取文字、扫描文件后搜索内容，都用得到它
但读一页报告，还需要知道哪句话是标题、哪段属于正文、图下那行是不是说明 两栏排版如果被混在一起，字都认对了，读起来也可能前后不通
LightOnOCR-3 多做的一步，是把内容和页面位置连起来
在带位置标注的模式里，每块内容会附上类别和一个矩形范围 标题、段落、表格、图片、图表可以分别处理，图片能带简短描述，图表则能输出数据表
比如一页行业报告，上半页是趋势说明，下半页是销量柱状图 模型尝试把文字、图表和说明分别提取，让后续软件知道它们来自页面的哪个区域
同一页材料可以拆出文字、图片描述和图表数据，并保留对应位置
这让核对也多了一条线索 发现某个结果可疑时，可以找回页面上的对应区域，而不用在整份材料里重新翻找
它怎样把一张图变成表格
模型接收的是页面图片，再把识别结果写出来 处理 PDF 时，配套工具先把每一页转成图片，逐页交给模型
你可以把这个过程理解成整理一张工作台 先看清上面有哪些东西，再把文字、照片和数据分别放好，同时记下它们原来的位置
图表提取尤其需要分清两种情况 柱子旁明确印着数字，任务是读出数字并对应到类别；图上只有坐标刻度，数值就需要从画面估计
官方的技术介绍说明，构造图表训练资料时，会抄录印出的数值，也会依据坐标估算未标出的数值，并检查单位、特殊坐标轴等条件
因此，输出成表格，只说明数据变得方便处理 一格写着整齐的数字，仍可能来自估计，不能当作原始数据文件中的精确记录
三类材料，值得拿来试
第一类是公开报告里的图表
做行业笔记、准备演示文稿时，可以先提取图中的类别和数值，减少从零录入的工作 接着核对年份、单位和数量级，再决定哪些数据能引用
第二类是扫描的学习资料
遇到双栏论文、夹着公式和插图的讲义，可以尝试把它整理成可搜索的文字 图片描述也能给查找提供线索，至于图中表达的结论，仍需要结合原文阅读
第三类是需要反复整理的表单、票据和旧文档
项目的模型说明列出了这些文档类型 对有技术支持的小团队来说，可以先挑一批固定版式的材料，检查识别结果能否减少录入和整理步骤
这些都是试用方向，效果取决于实际材料 一张清晰的打印页，与拍歪、模糊、带手写涂改的照片，需要分别检查
能读出内容，不代表可以跳过复核
最容易漏看的地方，是单位、负号、小数点，以及表格里数字与行列的对应关系 一个字符错了，后面的计算也会跟着错
先提取，再逐项对照原图，最后把确认过的数据用于整理和计算
官方测试也显示，不同模型在旧扫描件、表格、手写和多栏材料上的表现有差别 公开测试的综合分数，不能保证你手上的中文合同或票据达到相同效果
中文用户尤其要拿自己的材料验证 中文小字、复杂表格和中英文混排，都应该放进试用样本，不能用几张英文演示页替它们做判断
开源了，普通人从哪里开始
LightOnOCR-3 提供三个大小不同的模型，采用 Apache 2.0 许可，可用于研究和商业用途 选择哪个版本，还要在识别效果、运行速度和硬件需求之间取舍
项目仓库提供了处理 PDF、查看页面和识别结果的工具，但需要先部署模型服务 它更适合有开发能力的人或有技术支持的团队接入现有流程
普通读者可以先打开官方演示，用一页不含私人信息的公开材料试试 在线演示会把材料交给远端服务，自行部署也要确认处理流程确实留在自己的设备上
先选一张你知道答案的图表，核对类别、数值、单位和漏项 如果整理结果加上复核，比手工录入更省事，再考虑扩大到更多页面
那份复制不出数字的报告，终于多了一种处理办法 模型先替你拆出内容，你把时间用在检查最关键的部分，这才是图表提取值得进入日常工作的理由