一个国产开源工具，PyPI千万次下载，GitHub 上狂揽 5K+ Star！

PyPI超1000万次下载、GitHub 5k+ star，一款开源光学字符识别（OCR）工具RapidOCR“异军突起”，获得了海量的关注和下载。今天，客栈邀请到了RapidOCR的开发者SWHL，揭开这款“小而美”工具背后的故事。

RapidOCR的诞生之路

我是从大二那年真正开始接触技术的。当时学校开了门教PowerBuilder的课程——我在第一次看到这门语言时，就为之着迷。因为我内心一直在寻找一种所见即所得的东西，PowerBuilder中UI可以拖拽快速生成。当时我的想法是：QQ不就是这么写的嘛。

这门课的课程设计，我提前一周就写完了。因为我发现我喜欢它，喜欢去研究它，喜欢去写。我相信每个程序员都有一份对代码的热忱和敬畏，也是这份热爱让我能在这条路上越走越远。

真正和OCR结缘是2020年硕士毕业后的第一份工作。当时的我负责藏语、彝语这些小语种的识别任务，算是误打误撞闯进了这个领域。那会儿对开源还懵懵懂懂，结果赶上PaddleOCR刚开源，一下子成为了OCR领域SOTA（State-of-the-Art）。当时我第一次拿张随手截的藏文图片跑模型，屏幕突然跳出正确识别结果时，我愣在工位上——不是惊喜，是震撼。自己亲手调参训练的模型，居然能“看懂”这种平时根本读不出来的文字，我惊呆了。

但在使用过程中，我发现PaddleOCR存在使用门槛较高的问题：因为百度是为了通过PaddleOCR推广PaddlePaddle深度学习框架，因此产品功能设计需兼顾框架推广使命，导致用户体验复杂化，使用门槛也高了很多。可以说，PaddleOCR有了自己的使命，同时也有了它的禁锢。

有许多使用者都反馈了类似困扰，当时正值ONNX模型格式与ONNXRuntime推理引擎初兴，这一系列促使我萌生了基于ONNXRuntime推理ONNX格式PaddleOCR模型的想法，RapidOCR由此逐步成型——它正是为解决这些实际痛点而诞生的工具。

项目最早是我们公司另一位同事搭建的，当时仓库名还叫“白嫖OCR”，后来觉得不够正式，就改成了RapidOCR。后来那位同事专注C++开发，而我作为算法工程师，一直深耕这个方向，就接手了项目主导开发，成了项目的主理人。

这些年走下来，我越来越觉得，技术的温度不在参数有多漂亮，而在它能不能真正帮到人。从PowerBuilder到PaddleOCR，再到RapidOCR，每一步都带着点“意外”的缘分，但回头看，又像是顺着自己的好奇心和那点“爱折腾”的劲一步步走出来的路。

RapidOCR 与 PaddleOCR 的生态互补关系

RapidOCR 与 PaddleOCR 的关系并非简单的“复制”，而是在继承、解耦、轻量化与工程化的基础上，形成了互补共生的开源 OCR 生态。

从定位差异看，PaddleOCR作为全功能工业级OCR工具包，覆盖训练、推理及多模态全链路能力，适用于算法研发与大规模训练场景；而RapidOCR聚焦轻量级推理优先的跨平台引擎定位，剥离训练模块，强化工程侧部署效率，形成“PaddleOCR重全栈能力、RapidOCR重部署效率”的明确分工。

本质上，这两者是互补的关系。 PaddleOCR 是模型生产的工厂， RapidOCR 是模型分发与部署的引擎。用前者去训练、导出，再用后者轻量部署，共同覆盖从研发到边缘落地的完整链路。

这些年下来，我越发觉得，好的开源工具不是“各自为战”，而是形成生态，这才是程序员最爱的“务实浪漫”——不搞虚头巴脑的推广，解决实际痛点，让技术真正落地生根。

外部的认可对项目的帮助

在维护RapidOCR的过程中，我积极主动地去和大家去交流、参加竞赛和加入开源相关的社区，提升项目的曝光。这也使得RapidOCR获得了多项竞赛奖项并被 openKylin 等社区认可。

这些认可提升了项目的可信度和技术权威，有了这些社区的奖项，便于我向其他的一些开发者或是企业推广，对方就会更信任我们的技术实力，也降低了他们使用的门槛。

另一个主要帮助是吸引了高质量的贡献维护者，因为我一个人的精力是有限的，我希望能吸引更多志同道合的人参与代码贡献。现在随着项目规模的上升，也有很多没见过的小伙伴积极主动地来维护这个项目。这让我感到激动又欣喜。因为每个人看到的点不一样，大家提出来的建议会让我学到很多东西。现阶段这个项目获得的认可只是初步的，后续还有很多工作要做。

今年有幸在中国开源年会上，促成了RapidOCR项目加入了AtomGit平台，也很有幸受到程序员客栈的邀请入驻LaunchBox项目。

RapidAI团队的工作内容

RapidAI是一个致力于搭建AI模型从学术界到工程界之间的桥梁，解决AI模型应用的最后一公里的开源组织。

一般来说，RapidAI下的开源项目都有一个主导的小伙伴，小伙伴往往都是身兼多职的，并没有明确的单一角色分配。我在团队中也是身兼多职的，承担的角色主要是主力开发 + 文档维护 + 社区答疑。
对于各个任务，我这里有明确优先级：核心功能开发 > 紧急 Bug 修复 > 新特性提案 > 社区互动。我会利用 GitHub Actions自动执行单元测试，自动发版、自动格式化代码，减少重复劳动。比如我修了一些 Bug 之后，我可以打一个 tag 自动跑单元测试，自动发下一个版本，我已经逐渐建了很多小工具来满足自动化需求。

还有就是我会借助Github的 Issue 和 Discussions 两个模块来管理社区。我一般会给 Issue 打标签，引导大家清晰地反馈自己的问题和诉求。对于一些不是明显 Bug 或者非Bug的讨论，我就会引导他们去 Discussions 模块讨论。如果在Discussions中遇到真正的Bug，我会将其从Discussion部分转到Issue模块，从而避免有效信息淹没在冗杂的讨论中。这样做以后，我们对于新需求和 Bug 就有了明确分工。
此外，我也会利用碎片化的时间来完成反馈和项目的维护。对于社区琐碎的问答、Bug 反馈以及一些邮件反馈的问题，我一般会在茶余饭后时间快速回复，进行初步整理和筛选。对于真正的开发和 Bug 解决，我一般放到一整块的业余时间来集中开发。

还有社区共建的工作，比如有一些人会积极的反馈 Bug，我就会鼓励他成为“临时的维护者”，问他有没有兴趣来修一下这个Bug，让他可以成为贡献者参与进来。后期我会补充完整的贡献者文档，进一步降低贡献的门槛。
最后还有团队协作的部分，我们团队协作目前是通过PR的方式来协作的。我会做最终审核的reviewer来推进各个特性和修复Bug。经过这些分工以后，这个开源项目对我精力的消耗没有这么大，还是能够比较好的平衡工作和生活的。

下载量突破1000w、Star数5k+

RapidOCR 目前 PyPI 累计下载量突破 1000w、Star 数 5k+，这样的成绩的确有些超出我的预期。

因为起初 RapidOCR 的pypi库是3个单独库，后来考虑到后续长远发展，今年上半年我们把它整合为了一个rapidocr库，在代码层面与推理引擎彻底解耦。用户可以按需来安装推理引擎使用RapidOCR。光今年就涨了2000 star，之前我观察到 RapidOCR 有一天的下载量竟然突破了50万，还是很惊喜且自豪的。

RapidOCR未来的迭代方向

第一，先修复已有的 Bug ，作为一个成熟的工具，稳定可靠是前提，不可能一味的追求新的特性。

第二，跟进PaddleOCR v5小语种模型：主要包括俄罗斯文、阿拉伯文、印第文、泰米尔文和泰卢固文等。

第三，实现提供完全离线 + 无外联依赖的部署，因为有很多小伙伴反馈想部署在 docker 里，因为有一些模型是需要联网下载的，它是托管在魔搭上面。RapidOCR有内置的模型，如果用默认模型以外的，就需要联网下载了。因为许多政务、军工、金融场景严禁外网访问，但现有方案可能隐式下载模型，今后我们可能会发布 All-in-One 离线安装包（含 Python wheel + 预转换 ONNX 模型 + 运行时依赖），确保首次运行不触发任何网络请求（已移除自动更新检查、遥测等代码），并专项支持国产操作系统（统信 UOS、麒麟）及 CPU 架构（ARM64、LoongArch）。

第四，完善文档，虽然我们现在有一个完整的文档网站，但是它并不是那么完善。我们早期的文档偏重“快速上手”，缺乏故障排查指南、性能调优参数说明；API 变更未及时同步至中文/英文文档，这也是我们今后优化的方向。

我们新版的文档计划主要包括：
①将文档结构化为：入门 → 进阶 → 部署 → 定制开发；
②增加典型场景配置示例（如“高精度模式 vs 速度优先模式”）；
③提供Dockerfile 模板和 Windows 批处理脚本，降低部署门槛。

OCR 技术新的变革

从近期一系列开源 OCR 模型的发展趋势可以看出，OCR 技术正在迅速超越传统的“文字识别”范畴。例如 PaddleOCR-VL、MinerU 和 HunyuanOCR 等新一代模型，已不再局限于提取图像中的文本，而是面向复杂文档的全方位理解。它们能够精准处理表格结构、数学公式、化学式、手写批注、多栏排版等多样化的文档元素，真正迈向“智能文档解析”的新阶段，而且我认为这个变革现在正在发生。

关于未来，我想自己会侧重于文档智能这块。暂时还没想好定下什么样的目标。因为现在发展太快了，很多事情赶不上变化。这就像打工人的工资水平一样，具有工资粘性。

程序员如何抓住大语言模型的技术浪潮

站在技术浪潮的潮头回望，可以见到：大语言模型掀起的这波技术浪潮，绝非昙花一现的泡沫，而是堪比个人计算机普及、互联网爆发、移动计算革命的第四次全方位技术革命最耀眼的存在。它不是简单的工具迭代，而是重新定义“程序员如何与代码对话”的底层变革。展望未来，我认为今后最值得学习的是如何有效利用大语言模型这波技术升级。

当然，技术的终极意义，从来不是堆砌参数，而是让人类能以更高效的方式解决问题：作为程序员的我们，应该时刻保持敏锐，保持好奇心，乐于去尝试，去探索新奇技术，尝试去升级自己已有知识体系，提高格局和见识，最终让技术真正服务于人。这才是一个程序员在技术革命中最该修炼的内功。

开源改变世界

像很多小伙伴喜欢跑步一样，我只是喜欢开源而已。开源于我，仅仅是一个爱好。自己乐在其中的同时，顺道让这个世界变得更好一点。

我做的这件事，只是着眼于一个很小的点开始的，自己就没想过怎么样改变世界。当然，如果能让这个世界变得更好，也是一件好事。

我虽然没想过要‘改变世界’，但我相信，当越来越多像我这样的人，出于热爱去写一行代码、修一个 Bug、写一篇文档，世界就会在不知不觉中被推动一点点。这种‘相信’，或许就是我对‘开源改变世界’最朴素的信仰。

最后，欢迎对RapidOCR项目有兴趣的小伙伴来尝试使用，也欢迎广大有能力有想法的小伙伴加入我们~

=故事征集=

《LaunchBox》是程序员客栈推出的，旨在为全球优秀技术极客与开发者提供展示、推广和孵化前沿技术项目的顶级平台。无论您的项目聚焦AI、区块链、开源技术，还是其他颠覆性创新领域，LaunchBox都欢迎前来首发。

欢迎大家推荐朋友或自己来参加我们的节目，分享与对话是一件利他又利己的事。