OCR 领域的开源数据集比大多数人想象的丰富，但许可状态呈明显的两极分化：合成系与表格/文档系几乎全线可商用（因为标注是自动生成的，没有版权与人工授权负担），而真实街拍系（ICDAR 竞赛、中文街景 LSVT 等）几乎全部”仅供研究”。
真实拍摄数据里实锤可商用的目前只有 HierText 一家。本文整理文字检测/识别、表格识别、文档版面、电商属性四个方向的数据集规模、标注格式与协议，每条协议结论来自 LICENSE 文件或 README 原文。
调研快照：2026-10-17
所有链接与许可均经逐仓库一手核验（GitHub LICENSE / HuggingFace 数据卡 / README 原文），样图除标注外均来自各项目官方发布物
可商用类快速索引
| 类型 | 数据集 | 协议（可否商用） | 数据种类 | 下载 |
|---|---|---|---|---|
| 合成场景文字 | SynthText | Apache-2.0（✅ 商用） | 85.8 万合成图 / 8M 词级框 | GitHub（README 内 Drive） |
| 表格识别 | PubTables-1M | CDLA-Permissive-2.0（✅ 商用，类 MIT） | 1M 表格（40 万篇 PubMed PDF） | HF ｜ GitHub（MIT） |
| 表格识别 | PubTabNet | 源出 PMC 商用采集子集（✅ 商用口径） | 568K 表格图+HTML 结构 | GitHub → IBM DAX 申请 |
| 表格识别 | TableBank | 镜像 Apache（✅ 倾向，官方 repo 已迁移） | 41.7 万表格（Word/LaTeX/Wiki） | HF 镜像 |
| 文档版面 | DocBank | Apache-2.0（✅ 商用） | 50 万页词级坐标+12 类布局 | GitHub |
| 真实手写 | HierText | CC BY-SA 4.0（✅ 商用，署名+同许可分享） | 10,640 图词/行/段落层级 | GitHub |
研究限用（不可商用）：ICDAR 竞赛系、LSVT/RCTW/ReCTS（中文街景）、COCO-Text、SROIE/FUNSD/DocVQA/XFUND——见文末全量表。
SynthText — 合成场景文字的祖师爷
把自然场景图作为底版、自动粘贴渲染文字并生成词级四边形框与转写的合成管线，85.8 万图 / 8M 合成词。因为是程序生成，标注零人工成本、协议天然干净（repo Apache-2.0）。同类还有牛津 VGG 的 MJSynth/Synth90k（90 万合成词识别数据）。中文方向的同类开源合成器可以基于 PaddleOCR 的数据合成工具搭建。
标注格式：h5 内 img + wordBB（词级四边形）+ charBB（字符级框）+ txt（转写文本）。
建议运用方向：文字检测/识别模型的商用预训练底料；中文版可自建渲染管线（字体+底图自备即可规避全部许可风险）。
PubTables-1M — 表格识别的商用富矿
微软 table-transformer 项目发布，从 40 万篇 PubMed 开放获取 PDF 自动解析出 100 万张表格，三层标注（表格框 + 行/列结构 + 表头 HTML）。HF 数据卡明确 CDLA-Permissive-2.0（Community Data License Agreement 的宽松档，效力近似 MIT），正主代码仓库 MIT。
标注格式：JSON（表格 bbox + 行列结构 + HTML 结构化输出）。
建议运用方向：表格检测/结构识别模型训练；尺码表、规格表、财务报表等结构化抽取场景的预训练主力。
PubTabNet — Image-to-HTML 范式的代表作
IBM 发布的 568K 表格图数据集，源图取自 PubMed Central Open Access Subset 的 commercial use collection（README 原话，商用采集子集），标注由程序自动生成。下载需在 IBM DAX 页面注册申请。
标注格式（jsonl，README 原文）：
{"filename": str, "split": str, "imgid": int,
"html": {
"structure": {"tokens": [str]},
"cell": [
{"tokens": [str], "bbox": [x0, y0, x1, y1]}
]}}
structure.tokens 是表格结构 token 流（<td>/<tr> 类），cell[].bbox 是单元格像素框——”结构 token + 单元格坐标”双表示是表格识别最常用的训练目标。
建议运用方向：端到端表格识别（图直接出 HTML）；与 PubTables-1M 混训互补（一个偏检测结构、一个偏序列生成）。
TableBank — 四域表格检测
微软 2018 年发布，从 Word/LaTeX 文档与 Wikipedia/HTML 页面采集的 41.7 万表格，四域划分（检测用）。官方 GitHub 仓库已迁移/404，目前可靠获取渠道是 HF 社区镜像（标注 Apache-2.0，官方原始口径建议以镜像页为准再核）。
建议运用方向：表格区域检测（表格在页面里的 bbox）；老牌但规模与多域覆盖仍实用。
DocBank — 50 万页弱监督文档布局
用弱监督（自动对齐 arXiv 源码与 PDF 渲染）构建的文档级数据集：每个词带坐标 + 12 类布局标签（段落/标题/图表/公式等），50 万页，零人工标注。repo Apache-2.0。
标注格式：txt 行式（词 + 坐标 + 页码 + 布局类别）。
建议运用方向：文档版面分析（表格/图片/标题定位）的预训练；与 OmniDocBench 类人工评测集配合形成”自动训练+人工验收”组合。
HierText — 真实数据里唯一实锤可商用的
Google 发布的真实手写文本数据集，10,640 张图，标注到词/行/段落三级层级外加顶点级（vertices）多边形边界——OCR 标注里最细的粒度体系。README 原话 “The HierText dataset are released under CC BY-SA 4.0″：可商用，条件是署名并以相同许可分享衍生数据。
建议运用方向：手写识别；更重要的是它的标注规范（层级+顶点）值得任何自建真实文字数据集效仿——自标商品图文字时按”词/行两级+四边形”起步即可。
MAVE — 电商属性标注（研究限用，但格式值得抄）
eBay/学界属性抽取研究常用的 Amazon 派生数据集：2.2M 商品 / 3M 属性值标注 / 1,257 类目。LICENSE 文件实为 CC BY-NC 4.0（注意：网上二手资料常误写为 CC BY 4.0，协议必须看 LICENSE 文件原文），且底层商品数据另受 Amazon 条款约束，双重限制。
标注格式（JSONL，字段释义）：
{"id": "B0052LYUH6", "category": "Curtains & Drapes", "attributes": [
{"key": "Attachment Method", "evidences": [
{"value": "Rod Pocket", "pid": 1, "begin": 98, "end": 108}]}]}
// evidences 把属性值锚定到原文片段（pid=第几段文本，begin/end=字符偏移）
建议运用方向：仅研究对照；但”属性值锚定原文偏移”的可溯源标注范式，适合直接照抄到自建商品属性数据集（便于质检抽审）。
OmniDocBench — 文档解析评测基准（研究限用）
上海 AI Lab OpenDataLab 的文档解析基准：1,651 页 PDF / 10 类文档 / 5 类版面 / 5 语种且中英页数平衡（含中文教材、报纸、电子书），是文档方向少见的中文友好基准。代码 Apache-2.0 但数据 “for research purposes only”。
标注格式（JSON）：
{"layout_dets": [
{"category_type": "text_block",
"poly": [268.94, 319.97, 322.99, 319.97, 322.99, 351.08, 268.94, 351.08],
"order": 2, "anno_id": "box_id_0", "text": "that"}]}
// poly=8 坐标四边形（可表达倾斜版面），order=阅读顺序，text=转写
建议运用方向：文档解析/版面恢复模型的效果评测（研究）；中文尺码表自建评测集可仿其 poly+order+text 三合一格式。
研究限用一句话组
- ICDAR 2013/2015/2017-MLT/2019/2021：竞赛注册制（rrc.cvc.uab.es），各 1K-2 万级，多语含中文子集，research
- LSVT（4.5 万中文街景）/ RCTW-17 / ReCTS / ArT（各 1 万级中文曲线文本）：中文真实场景主力，全部 research——中文真实 OCR 无宽松协议现成集，商用只能合成+自标
- COCO-Text（63,686 图，COCO flickr 源）：research 口径
- SROIE / FUNSD / DocVQA / XFUND（各 0.6K-1.5K）：文档理解小集，research
全量详细信息表
| 类型 | 数据集 | 规模 | 数据分布 | 标注类别 | 中文/国内场景 | 发布年份 | 项目/论文 | 备注 | 下载 | 协议 |
|---|---|---|---|---|---|---|---|---|---|---|
| 合成文字 | SynthText | 85.8 万图 / 8M 词 | 自然场景底图+渲染文字 | 词/字符四边形框+转写 | 否 | 2016 | GitHub ｜ CVPR 2016 | 零人工标注 | repo 内 Drive | Apache ✅ |
| 表格 | PubTables-1M | 1M 表格 | PubMed 科学文献（401,733 PDF） | 表格框+行列结构+HTML | 否（英文文献） | 2022 | GitHub ｜ ACL 2022 | CDLA 宽松档 | HF | CDLA-Permissive ✅ |
| 表格 | PubTabNet | 568K 表格图 | PMC 科学文献 | 结构 token+单元格 bbox | 否 | 2019 | GitHub ｜ arXiv:1911.10683 | 源出 PMC 商用子集 | DAX 申请（repo 内链） | PMC 商用源 ✅ |
| 表格 | TableBank | 41.7 万表格 | Word/LaTeX/Wikipedia 四域 | 表格 bbox | 否（英文为主） | 2018 | HF 镜像（官方 repo 已迁移） | 老牌多域 | HF | 镜像 Apache 倾向 ✅ |
| 文档版面 | DocBank | 50 万页 | arXiv 科学文档 | 词坐标+12 类布局 | 否 | 2020 | GitHub ｜ COLING 2020 | 弱监督零人工 | repo 内链接 | Apache ✅ |
| 真实手写 | HierText | 10,640 图 | 英文手写（词/行/段落） | 层级+顶点多边形 | 否 | 2022 | GitHub ｜ ICDAR 2022 | 真实集商用孤例 | repo 内 Kaggle/Drive | CC BY-SA 4.0 ✅ |
| 电商属性 | MAVE | 2.2M 商品 / 3M 标注 | Amazon 1,257 类目 | 属性值+原文偏移锚定 | 否（英文） | 2022 | GitHub ｜ WSDM 2022 | LICENSE 实为 NC（二手常误标） | repo（标签走 git-lfs） | CC BY-NC ❌ |
| 文档评测 | OmniDocBench | 1,651 页 | 10 类文档 5 版面 5 语种 | 版面 poly+阅读顺序+转写 | 中英平衡（含中文） | 2024 | GitHub ｜ arXiv:2412.07626 | 评测基准非训练集 | HF / repo 内 Drive | 数据 research ❌ |
| 真实街景 | ICDAR 系 | 各 1K-2 万级 | 多语场景文字 | 词/行框+转写 | MLT 含中文子集 | 2013-2021 | rrc.cvc.uab.es | 竞赛注册制 | 官网注册 | research ❌ |
| 真实街景 | LSVT | 4.5 万图 | 中文街景+网络图 | 文本行转写 | 中文主力 | 2019 | 经竞赛页获取 | 中文真实场景最大集之一 | 竞赛/官网 | research ❌ |
| 真实场景 | COCO-Text | 63,686 图 | COCO 场景图 | 词级框+转写 | 否 | 2016（v2 2021） | 官网 | COCO flickr 源 | 官网 | research ❌ |
| 文档理解 | SROIE/FUNSD/DocVQA/XFUND | 各 0.6K-1.5K | 票据/表单/文档 QA | 框+文本/QA 对 | XFUND 含中文 | 2019-2021 | 各项目页 | 小样本评测 | 各官网 | research ❌ |
两点提醒：① PaddleOCR 官方预训练模型效果好，但其训练数据本身不开源（只提供合成工具与 2,677 张评测基准）；② 协议看 LICENSE 文件/数据集卡原文，不要信二手摘要——本文写作过程中实测到 MAVE 的 LICENSE（CC BY-NC 4.0）与搜索摘要（CC BY 4.0）完全相反。 图片说明：本文样图均来自各项目官方发布物（repo README 图、repo 内置 examples、HF 页面），仅作评述引用。
来源与引用
- SynthText：Gupta et al., CVPR 2016（GitHub README，访问于 2026-10-17）
- PubTables-1M：Smock et al., ACL 2022（HF 数据卡 license 字段 + table-transformer repo，访问于 2026-10-17）
- PubTabNet：Zhong et al., arXiv:1911.10683, 2019（GitHub README 源数据说明原文，访问于 2026-10-17）
- TableBank：Li et al., 2018（HF 镜像数据卡，访问于 2026-10-17）
- DocBank：Li et al., COLING 2020（GitHub LICENSE，访问于 2026-10-17）
- HierText：Long et al., ICDAR 2022（GitHub README 许可节原文，访问于 2026-10-17）
- MAVE：Yang et al., WSDM 2022（GitHub LICENSE 文件实测，访问于 2026-10-17）
- OmniDocBench：Ou et al., arXiv:2412.07626, 2024（GitHub README 数据条款，访问于 2026-10-17）
发表回复