Zerox OCR：三步把破损古籍扫描件变成可检索文本

Zerox OCR三步把破损古籍扫描件变成可检索文本【免费下载链接】zeroxOCR Document Extraction using vision models项目地址: https://gitcode.com/GitHub_Trending/ze/zerox档案室里有一叠扫描件纸面泛黄、墨迹发灰传统识别方式一碰到斑驳底纹就抓瞎。Zerox OCR 换了个思路不先做复杂的图像修复而是让视觉大模型直接读懂每一页输出结构化 Markdown 文本。先看效果左边是带表格和代码块的原始页面右边是 OCR 识别后的 Markdown 结果——表头、行序、缩进都保留了。仓库里还有一张 1986 年的旧证件扫描件边角磨损、表面有划痕对应的提取结果在shared/outputs/0024.md模糊的表格被还原成了 Markdown 表格字段名变成了加粗标题直接可检索。快速上手 装完调一次就通。第一步安装pip install py-zerox装依赖这一步同时确认系统里有 popplerPDF 渲染引擎负责把 PDF 逐页转成图片。第二步一次调用import os, asyncio from pyzerox import zerox os.environ[OPENAI_API_KEY] your-api-key result asyncio.run(zerox( file_pathshared/inputs/0002.pdf, modelgpt-4o-mini, output_dir./output, concurrency10, )) print(result.pages[0].content)这一步把扫描件路径和模型名交给 Zerox剩下的它自己处理。第三步拿结果。Markdown 已写入output_dir每页内容也在返回对象里。Node 环境则用npm install zeroxAPI 基本一致入口在 py_zerox/pyzerox/core/zerox.py图片编码在 py_zerox/pyzerox/processor/image.pyPDF 转页在 py_zerox/pyzerox/processor/pdf.py。它内部在做什么整条数据流很短。先把文件下载到临时目录支持本地路径和 URL再用 poppler 按 300 DPI 把 PDF 逐页渲染成高分辨率图片这一步决定了后续识别的清晰度上限。接着每页图片被编码成 base64连同系统提示词发给视觉模型GPT-4o、Claude、Gemini 等由 py_zerox/pyzerox/models/base.py 定义统一接口要求它直接输出 Markdown。最后按页序把各页结果拼接成一份文件写入磁盘。有两个容易忽略的环节。Node 版会用 Tesseract老牌 OCR 引擎跑 OSD自动版面方向检测扫描歪了的页面会被自动转正见 node-zerox/src/utils/tesseract.ts打开maintain_format后每一页请求会带上前一页已生成的 Markdown 作为上下文跨页表格和编号能接得上相当于用上下文语义做了一轮校正。几个容易被忽略的细节古籍文字提取支持批量并发concurrency参数配合信号量控制并行度默认同时跑 10 页。一批 100 页的破损文档做 OCR 批量处理不用串行排队单页失败也不会拖垮整批。指定页码做文档增强破损往往只集中在几页。select_pages可以只处理第 3、7、42 页先在临时目录切出一个子集 PDF 再走渲染流程省 token 也省时间。自定义提示词干预排版Python 版支持custom_system_prompt覆盖默认提示词比如表格保留原始列序这类要求文本处理工具 还会清理模型输出里多余的外层代码块标记保证导出的 Markdown 干净。适合谁用 / 什么时候别用适合图书馆和档案馆的批量数字化、个人收藏的旧报刊家书、需要把扫描件变成可搜索文本库的文档工作者。边界也要说清楚手写信、草书签名类内容它只是尽量转写准确率有限重度污渍、大面积缺失比如页面损失过半时视觉模型也会猜错中英日韩混排效果取决于所选视觉模型本身的多语言能力。完整参数与多厂商模型配置见 README也可以 git clone https://gitcode.com/GitHub_Trending/ze/zerox 拿自己的破损扫描件跑一遍。【免费下载链接】zeroxOCR Document Extraction using vision models项目地址: https://gitcode.com/GitHub_Trending/ze/zerox创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考