文档OCR 数据
通用文档的OCR识别数据集，适用于书籍、报告、合同等长文本的数字化处理。
2.3万 条数据更新时间 2026-05-11
数据集简介
共22,628张文档图像，包括商务报告、学术论文、技术手册、合同文件等，排版多样（分栏、表格、图文混排）。所有图像均经过文本框级或文本行级标注。可训练高精度文档分析与识别模型，应用于档案数字化、内容管理、智能校对等业务。
数据质量
记录完整性
93.11%
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
需要定制更适合业务场景的数据集？
我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。