Github 11.2K，这款开源工具用 AI 实现文档 OCR 自动化，支持 30 + 格式！

最新推荐文章于 2025-08-12 15:17:56 发布

原创最新推荐文章于 2025-08-12 15:17:56 发布 · 733 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#github #人工智能 #ocr

Github精选项目推荐专栏收录该内容

10 篇文章

订阅专栏

Zerox是一个简单而强大的OCR（光学字符识别）工具，专为AI文档处理而设计。

它由Getomni.ai开发，采用现代化的方法解决了文档处理中的一个基本问题：文档本质上是为人类视觉设计的，而AI系统需要以结构化方式访问其中的信息。

Zerox的核心逻辑简洁明了：将各种格式的文档（如PDF、Word、图片等）转换为一系列图像，利用先进的AI视觉模型从这些图像中提取文本并转换为Markdown或结构化数据格式。

主要特点

多格式支持：可处理多种文档格式，包括PDF、Word文档、Excel表格、PowerPoint演示文稿、HTML、XML和各种文本格式等。
多平台AI模型集成：Zerox支持多种AI视觉模型，包括OpenAI（GPT-4、GPT-4 Vision等）、Azure OpenAI、AWS Bedrock（支持Claude 3系列模型）、Google Gemini以及Vertex AI（仅Python版本支持）。
高级数据提取：Zerox提供丰富的数据提取功能，支持通过schema进行结构化数据提取，允许逐页数据提取，并能够在处理过程中保持文档的原始格式和结构。
性能优化：为提高处理效率，Zerox实现了多种性能优化措施，包括并发处理功能，支持异步API调用，提供临时文件管理功能，以及灵活的错误处理模式。

免费在线实用

网页地址：https://getomni.ai/ocr-demo

工作原理

用户只需上传文件，Zerox 会将其转换为一系列图像。
每个图像会被传递给 GPT 模型，生成相应的 Markdown 文本。
Zerox 会汇总所有响应，返回完整的 Markdown 文档。

安装方法

Node.js版本

npm install zerox
# 依赖（需手动安装）
sudo apt-get install graphicsmagick ghostscript  # Linux示例

Python版本

pip install py-zerox
# 依赖（需手动安装poppler）
# macOS: brew install poppler
# Linux: sudo apt-get install poppler-utils

使用方法

Node.js示例

从URL加载文件：

import { zerox } from "zerox";

const result = await zerox({
  filePath: "https://omni-demo-data.s3.amazonaws.com/test/cs101.pdf",
  credentials: {
    apiKey: process.env.OPENAI_API_KEY,
  }
});

从本地路径加载：

import { zerox } from "zerox";
import path from "path";

const result = await zerox({
  filePath: path.resolve(__dirname, "./cs101.pdf"),
  credentials: {
    apiKey: process.env.OPENAI_API_KEY,
  },
});

Python示例

from zerox import zerox
import asyncio

# 使用OpenAI模型
ai_provider = "openai" # 仅使用vision模型！参考: https://docs.litellm.ai/docs/providers
my_api_key = "..."

# 异步调用
result = await zerox(
    "./path/to/file.pdf",
    model="gpt-4-vision-preview",
    api_key=my_api_key
)

主要参数配置

filePath：要处理的文件路径或URL（必需）
credentials：AI提供商的API密钥（必需）
cleanup：处理后是否清理临时文件（默认：true）
concurrency：并发处理的页面数量（默认：10）
correctOrientation：是否尝试识别和纠正页面方向（默认：true）
extractOnly：是否仅提取结构化数据（默认：false）
imageDensity：图像转换的DPI（默认：300）
maintainFormat：是否保持一致的格式（默认：false）
model：使用的AI模型（支持多种提供商的不同模型）
tempDir：临时文件存储目录

数据提取功能

Zerox支持从文档中提取结构化数据，特别适合处理发票、收据等包含关键信息的文档。通过提供schema，用户可以指定要提取的特定信息，使其符合JSON Schema标准。

以下是提取数据的示例输出：

{
  "completionTime": 10030,
  "filename": "invoice_36258",
  "pagesTimes": 10050,
  "pages": [
    {
      "page": 1,
      "contents": "# INVOICE # 36258\n\n*wDate*: Mar 08 2012 \n\n*wClient*: First Class \n\n*wShipping Cost*: $38.18 \n\n...",
      "contentLength": 707
    }
  ],
  "extracted": null,
  "summary": {
    "totalPages": 1,
    "ocr": 0,
    "failed": 0,
    "successful": 1
  },
  "extractions": null
}

支持的文件类型

文档格式：PDF、DOC、DOCX、ODT、RTF、TXT等
表格格式：XLS、XLSX、ODS、CSV、TSV等
演示文稿：PPT、PPTX、ODP等
网页格式：HTML、HTM、XML等
其他格式：WPS、WPD等

总结

Zerox为文档OCR和AI处理提供了一个简单而强大的解决方案，特别适合开发者将各种文档转换为AI可处理的格式。通过支持多种文件格式和AI模型，以及提供Node.js和Python两个版本的实现，Zerox满足了不同开发环境和应用场景的需求。

对于需要处理大量文档并提取结构化数据的项目，Zerox提供了一种高效且灵活的方法，减少了文档处理的复杂性，同时充分利用了现代AI视觉模型的强大能力。

想要了解更多或尝试Zerox，可以访问项目的在线演示(https://getomni.ai/ocr-demo)或查阅完整文档(https://docs.getomni.ai/zerox)。