基于 PaddleOCR 的电报图片文字提取教程：自动识别聊天截图中的敏感信息

在 Telegram 群组、频道或私聊中，聊天截图经常包含用户名、手机号、邮箱、订单编号、链接和验证码等重要文字。依靠人工逐张查看，不仅效率低，还容易出现漏识别、错别字和复制困难等问题。

本文将以 PaddleOCR 为核心，完整介绍如何在合法授权和隐私保护的前提下，自动提取电报聊天截图中的文字，并进一步筛选可能涉及敏感信息的内容。教程适合 Python 初学者、数据整理人员以及需要批量处理图片的 Telegram 管理员。

🔍 一、为什么选择 PaddleOCR 识别 Telegram 图片

PaddleOCR 是基于飞桨生态的开源 OCR 工具，支持中文、英文、数字以及多种常见语言。与简单的图片转文字工具相比，它能够同时完成文字检测、文字识别和版面分析，对聊天截图中的多行气泡文字具有较好的适应能力。

Telegram 截图通常具有气泡背景、头像、时间戳、用户名和复杂的对话布局，文字大小也可能不一致。PaddleOCR 可以返回识别文本、位置坐标和置信度，便于后续筛选关键词、排序内容和定位原图区域。

需要特别说明的是，本文只讨论处理自己拥有或获得明确授权的图片。不要利用 OCR 读取他人私聊、验证码、身份凭证或未公开个人资料，也不要将未经脱敏的截图上传到第三方在线识别平台。

⚙️ 二、安装环境与依赖组件

建议使用 Python 3.9 或更高版本，并为项目创建独立虚拟环境。这样可以避免 PaddleOCR、PaddlePaddle 与其他 Python 项目之间产生依赖冲突。

python -m venv tg-ocr-env

# Windows
tg-ocr-env\Scripts\activate

# macOS / Linux
source tg-ocr-env/bin/activate

pip install paddlepaddle paddleocr opencv-python pillow

如果设备配备 NVIDIA 显卡，可以根据 PaddlePaddle 官方兼容矩阵安装对应的 GPU 版本。普通截图识别使用 CPU 也可以运行，但批量处理高分辨率图片时，GPU 通常能够显著缩短等待时间。

📁 建议的项目目录

telegram-ocr/
├── images/
│   └── chat_001.png
├── output/
├── recognize.py
└── requirements.txt

建议将原始截图和识别结果分开保存，并为输出文件设置访问权限。处理完成后，可以根据数据保留周期删除不再需要的原图，减少隐私泄露风险。

🖼️ 三、使用 PaddleOCR 提取聊天截图文字

下面的示例会读取指定图片，识别其中的文字，并输出文字内容、坐标和置信度。代码不需要连接 Telegram API，因此适合先对已经保存到本地、且具备合法处理权限的截图进行测试。

from paddleocr import PaddleOCR

image_path = "images/chat_001.png"

ocr = PaddleOCR(
    lang="ch",
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False
)

result = ocr.predict(image_path)

for page in result:
    data = page.json
    for item in data.get("res", {}).get("rec_texts", []):
        print(item)

不同版本的 PaddleOCR 在初始化参数和返回结构上可能存在差异，因此运行前应以当前版本文档为准。首次启动时，程序可能自动下载模型文件，建议确保网络稳定，并将模型缓存放在受控目录中。

📊 识别结果应如何理解

OCR 结果通常包含识别文本、文本框坐标和置信度分数。置信度越高，表示模型对结果越有把握，但它并不等于百分之百正确，特别是对模糊头像、低分辨率截图和特殊字体仍需人工复核。

识别文本：请联系 [email protected]
文本框：[[120, 80], [520, 80], [520, 125], [120, 125]]
置信度：0.96

🧹 四、提升 Telegram 截图识别准确率

原始图片质量会直接影响识别效果。对于被压缩过的 Telegram 截图，可以先放大图片、增强对比度、降低噪声并适度锐化，再交给 OCR 模型处理。

import cv2

image = cv2.imread("images/chat_001.png")
scaled = cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

gray = cv2.cvtColor(scaled, cv2.COLOR_BGR2GRAY)
clean = cv2.fastNlMeansDenoising(gray, None, 10, 7, 21)

cv2.imwrite("output/preprocessed.png", clean)

如果截图包含大量头像、表情、按钮和时间戳，可以先裁剪出主要聊天区域。裁剪并不意味着删除证据，而是减少无关视觉元素对文字检测的干扰，同时也有助于降低隐私数据的处理范围。

📌 常见影响因素

字体过小、气泡颜色与文字颜色对比不足、图片被多次转发压缩，以及中文与英文混排，都可能造成识别错误。对于倾斜、弯曲或被遮挡的文字，建议保留原图并进行人工确认。

🔐 五、自动筛选可能的敏感信息

文字提取完成后，可以使用正则表达式对邮箱、电话号码、网址和订单编号进行初步筛选。筛选结果只用于整理和风险提示，不能直接替代人工判断，更不能据此推断一个人的真实身份。

import re

text = "联系 [email protected]，备用号码 13812345678"

email_pattern = r"\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b"
phone_pattern = r"(?

from pathlib import Path
from paddleocr import PaddleOCR

ocr = PaddleOCR(lang="ch")
input_dir = Path("images")
output_file = Path("output/result.txt")

with output_file.open("w", encoding="utf-8") as f:
    for image_path in sorted(input_dir.glob("*")):
        if image_path.suffix.lower() not in {".png", ".jpg", ".jpeg", ".webp"}:
            continue

        f.write(f"\n--- {image_path.name} ---\n")
        result = ocr.predict(str(image_path))

        for page in result:
            data = page.json
            texts = data.get("res", {}).get("rec_texts", [])
            for text in texts:
                f.write(text + "\n")