PaddleOCR PaddleOCR使用PPStructureV3识别表格中包含形如<recv内容的图片时,保存的markdown文件的html内容没有被转义处理

🔎 Search before asking

[x] I have searched the PaddleOCR Docs and found no similar bug report.
[x] I have searched the PaddleOCR Issues and found no similar bug report.
[x] I have searched the PaddleOCR Discussions and found no similar bug report.

🐛 Bug (问题描述)

PaddleOCR使用PPStructureV3识别内容中带有形如: <recv response="200" response_txn="invite" /> <pause milliseconds="5000"/> 这样的图片,使用 save_to_json save_to_markdown 保存识别的结果,发现保存的markdown文件中有部分内容是以html形式保存的,但是这个保存的内容存在严重的问题,也就是没有对识别出来的真正字符串进行转义处理,导致显示异常问题; 一个识别出来的结果如下:

$\mathrm{search\_in=''msg}$ $\mathrm{it}=\mathrm{''true''}$ $\mathrm{as}\mathrm{s}\mathrm{i}\mathrm{gn}_{-}\mathrm{to}=\left.1,2\right\|\geq$	址和端口号。	表示收到响应消息200后，在消息中搜索匹配正则表达式([0-9]{1,3}\.{3}[0-9]{1,3}:[0-9]*的字符串，并存储在变量1和2中，这个表达式的意义实际上是提取ip地
	regexp_m 布尔值。检查收到的请 atch 求（Request）是否匹配指定包含的消息，如果匹配则应用正则表达式，这个方法可以用来一次提取多个请求中的字符串，非常方便	例：检查是否匹配MESSAGE or PUBLISH or SUBSCRIBE requests : 表示仅响应以发送的消息 $\mathrm{start\_txn=''invite''}$	response_ txn millisecon ds variable
	ds 为ms。当没有指定时间时，则使用命令行参数-d 来指定。 variable 表示使用哪个呼叫变量来决定该呼叫是否需要暂停 distributio 表示使用GSL（GNU科学 n 计算库）决定的呼叫长度来对呼叫进行暂停。如果不用GSL，则可以使用固定值或者指定一个范围。使用高斯分布，则有以下几种统计分布可选： normal, exponential, gamma, lambda, lognormal, negbin, (negative binomial), pareto,和 weibull，在选择哪种分布时，需要指定对应的参数。	:暂停脚本5秒钟：当含有呼叫变量1时暂停	1、不使用GSL时，可以使用以下两种方法来对呼叫进行暂停： ➢ , 表示暂停1秒钟 ➢ ,表示暂停时间在2秒到5秒钟之间。 2、使用GSL时需要指定参数，参数的命名与Wikipedia 中关于分布的描述页面一致。举几例如下：，提供一个平均偏差为60秒和标准差为15秒的暂停分布值，平均差与标准差的值为毫秒整型值，分布图形如下： $\max=5000$

原始的文件中包含: <recv response="200"response_txn="invite"/> 这样的内容,但是这里没有被转义处理,显然这是不对的;

曾试图使用html.escape对识别出来的内容进行转义,但是发现有时候真正识别出来的结果是单一的"<"或者">",显然这会破坏PaddleOCR以html格式保存的markdown文档内容;

测试图片: image_000020_47a9f6d4-1b3b-42a6-8f66-f3bdc2724d44.jpg

调用save_to_json保存的结果: image_000020_47a9f6d4-1b3b-42a6-8f66-f3bdc2724d44_res.json

调用save_to_markdown保存的结果: image_000020_47a9f6d4-1b3b-42a6-8f66-f3bdc2724d44.md

这几个文件保存在文件2025-07-21-paddleocr-image-files-and-result.tar.gz中;

运行log: Creating model: ('PP-LCNet_x1_0_doc_ori', '/home/xxxyyy/paddlex/official_models/PP-LCNet_x1_0_doc_ori') Creating model: ('PP-DocBlockLayout', '/home/xxxyyy/paddlex/official_models/PP-DocBlockLayout') Creating model: ('PP-DocLayout_plus-L', '/home/xxxyyy/paddlex/official_models/PP-DocLayout_plus-L') Creating model: ('PP-LCNet_x1_0_textline_ori', '/home/xxxyyy/paddlex/official_models/PP-LCNet_x1_0_textline_ori') Creating model: ('PP-OCRv5_server_det', '/home/xxxyyy/paddlex/official_models/PP-OCRv5_server_det') Creating model: ('PP-OCRv5_server_rec', '/home/xxxyyy/paddlex/official_models/PP-OCRv5_server_rec') Creating model: ('PP-OCRv4_server_seal_det', '/home/xxxyyy/paddlex/official_models/PP-OCRv4_server_seal_det') Creating model: ('PP-OCRv5_server_rec', '/home/xxxyyy/paddlex/official_models/PP-OCRv5_server_rec') Creating model: ('PP-LCNet_x1_0_table_cls', '/home/xxxyyy/paddlex/official_models/PP-LCNet_x1_0_table_cls') Creating model: ('SLANeXt_wired', '/home/xxxyyy/paddlex/official_models/SLANeXt_wired') The model(SLANeXt_wired) is not supported to run in MKLDNN mode! Using paddle instead! Creating model: ('SLANet_plus', '/home/xxxyyy/paddlex/official_models/SLANet_plus') The model(SLANet_plus) is not supported to run in MKLDNN mode! Using paddle instead! Creating model: ('RT-DETR-L_wired_table_cell_det', '/home/xxxyyy/paddlex/official_models/RT-DETR-L_wired_table_cell_det') Creating model: ('RT-DETR-L_wireless_table_cell_det', '/home/xxxyyy/paddlex/official_models/RT-DETR-L_wireless_table_cell_det') Creating model: ('PP-FormulaNet_plus-L', '/home/xxxyyy/paddlex/official_models/PP-FormulaNet_plus-L') The model(PP-FormulaNet_plus-L) is not supported to run in MKLDNN mode! Using paddle instead! Creating model: ('PP-Chart2Table', '/home/xxxyyy/paddlex/official_models/PP-Chart2Table') Special tokens have been added in the vocabulary, make sure the associated word embeddings are fine-tuned or trained. Loading configuration file /home/xxxyyy/paddlex/official_models/PP-Chart2Table/config.json Loading weights file /home/xxxyyy/paddlex/official_models/PP-Chart2Table/model_state.pdparams Loaded weights file from disk, setting weights to model. All model checkpoint weights were used when initializing PPChart2TableInference.

All the weights of PPChart2TableInference were initialized from the model checkpoint at /home/xxxyyy/paddlex/official_models/PP-Chart2Table. If your task is similar to the task the model of the checkpoint was trained on, you can already use PPChart2TableInference for predictions without further training. Loading configuration file /home/xxxyyy/paddlex/official_models/PP-Chart2Table/generation_config.json Creating model: ('PP-LCNet_x1_0_doc_ori', '/home/xxxyyy/paddlex/official_models/PP-LCNet_x1_0_doc_ori') Creating model: ('PP-LCNet_x1_0_textline_ori', '/home/xxxyyy/paddlex/official_models/PP-LCNet_x1_0_textline_ori') Creating model: ('PP-OCRv5_server_det', '/home/xxxyyy/paddlex/official_models/PP-OCRv5_server_det') Creating model: ('PP-OCRv5_server_rec', '/home/xxxyyy/paddlex/official_models/PP-OCRv5_server_rec') {'input_path': '/home/xxxyyy/doc/image_000020_47a9f6d4-1b3b-42a6-8f66-f3bdc2724d44.jpg', 'page_index': None, 'doc_preprocessor_res': {'output_img': array([[[255, ..., 255],

2025-07-21-paddleocr-image-files-and-result.tar.gz

🏃‍♂️ Environment (运行环境)

ubuntu 24.04 paddleocr==3.1.0 paddlepaddle==3.1.0 paddlex==3.1.3 只有cpu,没有独立显卡

🌰 Minimal Reproducible Example (最小可复现问题的Demo)

ubuntu 24.04 paddleocr==3.1.0 paddlepaddle==3.1.0 paddlex==3.1.3 只有cpu,没有独立显卡

Jul 21 '25 03:07 Miao367147258

感谢您的反馈，目前表格识别模块在填充OCR内容时确实可能存在转义字符的问题，我们会尽快修复此问题

Jul 24 '25 11:07 liu-jiaxuan

感谢您的反馈，目前表格识别模块在填充OCR内容时确实可能存在转义字符的问题，我们会尽快修复此问题

多谢回复,这边原来的设想是: 将paddleocr识别生成的.md文件使用pandoc转换为html,再使用工具转换为单独的.docx或.odt文档,发现即使不是表格中的内容,如果是一本介绍html编程相关的书籍,识别出来的的原始内容可能为: <html><body></body></html> 这种形式的内容如果保存在markdown文件中,如果不对这种内容进行转义,就无法分辨究竟这种内容是文档中的原始内容,还是其他识别结果格式化为html后的内容，因此建议对识别出来的所有原始内容都统一进行转义,或者添加额外的选项告诉底层是否进行转义处理从而兼容之前版本的markdown文件输出;

Jul 24 '25 11:07 Miao367147258

再极端一点,文档中有介绍html表格相关的内容,原始的内容如下: <html><body><table><tr><th>姓名</th><th>年龄</th><th>城市</th></tr><tr><td>张三</td><td>25</td><td>北京</td></tr><tr><td>李四</td><td>30</td><td>上海</td></tr></table></body></html> 如果这类型内容不经转义直接保存在markdown文件中,更是无法分辨这部分内容是原始识别出来的内容还是其他识别结果格式化为html后的内容；

Jul 24 '25 12:07 Miao367147258

使用最新版本： paddleocr==3.2.0 paddlepaddle==3.1.1 paddlex==3.2.0 测试,看起来该问题仍然存在;

从新的 paddleocr/paddlepaddle/paddlex 修改记录来看,似乎也没有相关的修改;

Aug 22 '25 12:08 Miao367147258

使用最新版本： paddleocr==3.2.0 paddlepaddle==3.2.0 paddlex==3.2.1 测试,看起来该问题仍然存在;

Sep 10 '25 05:09 Miao367147258

使用最新版本: paddleocr==3.3.2 paddlepaddle==3.2.2 paddlex[ocr]==3.3.10 测试,看起来使用PPStructureV3生成的Markdown文件仍然存在问题,使用MinerU生成的Markdown文档则是正常的,改天使用PaddleOCRVL试试;

Dec 04 '25 02:12 Miao367147258

使用最新版本: paddleocr==3.3.2 paddlepaddle==3.2.2 paddlex[ocr]==3.3.10 测试,使用PaddleOCRVL对文档进行ocr处理,生成的Markdown文件是正常的,html内容中的特殊符号都被正常转义了.

Dec 04 '25 13:12 Miao367147258