如何用 Zerox 完成 OCR 文档识别三步跑通把 PDF、发票、表格变成 Markdown【免费下载链接】zeroxOCR Document Extraction using vision models项目地址: https://gitcode.com/GitHub_Trending/ze/zerox一堆 PDF 合同、发票、扫描图文字选不中、表格拷不走手动录入费时费力。Zerox 是一个 OCR 文档识别工具把文件丢给它它调用视觉模型逐页阅读直接返回完整的 Markdown 文本。几行代码就能搭出一条简单、快速的文档转文字流水线。项目定位与工作原理Zerox 的思路很直接它自己不写复杂的版式解析而是把阅读交给视觉模型自己只负责准备。你传入一个文件PDF、Word、Excel、PPT、图片等 24 种格式Zerox 把它转成一串页面图片每张图片发给视觉模型GPT-4o、Claude 3、Gemini 等请它转写出这一页的 Markdown最后把每页结果按顺序拼回返回完整文档。因为是看着读它天然能应付表格、图表、多栏排版这类传统 OCR 头疼的版式。三分钟上手安装依赖并跑通第一次转换两步就能完成装包再写一小段脚本。npm install zerox sudo apt-get install -y graphicsmagick第一行安装 zerox 包Linux 上第二行补装 graphicsmagick它负责把 PDF 转成图片npm 自动安装成功的话可以跳过。习惯 Python 的话pip install py-zerox也可以但系统需要装 poppler。import { zerox } from zerox; const result await zerox({ filePath: ./invoice.pdf, credentials: { apiKey: process.env.OPENAI_API_KEY }, }); console.log(result.pages[0].content);这段代码做的事让视觉模型默认 GPT-4o读一遍invoice.pdf打印出第一页的 Markdown。result里还带每页的 token 数、耗时和成功/失败统计方便你监控批量任务。仓库 examples/node/ 目录下还有 OpenAI、Azure、Bedrock、Gemini 四家现成的接入示例。功能亮点它能替你做什么除了基础识别有四个功能最实用。多种格式文件不用自己先转换PDF、Word.doc/.docx、Excel、PPT、HTML、图片都能直接喂进去非 PDF 文件会自动先转成 PDF 再转图片。只处理部分页面时传pagesToConvertAsImages: [1, 3, 5]即可。表格与跨页内容可以保住开启maintainFormat: true后上一页的转写结果会作为上下文传给下一页跨两页断开的表格能拼回一张。注意它需要逐页顺序执行比并行慢不少文档里表格多、或有表格跨页时才值得开。不想要全文只抽你要的字段设置extractOnly: true并传入一个schemaJSON Schema 格式就能只拿到发票号、金额、日期这些你定义的字段不用翻整篇 Markdown。文档页数多时还可以加extractPerPage: true逐页抽取。模型供应商换一行就能切换OpenAI、Azure OpenAI、AWS BedrockClaude 3 系列、Google Gemini 都支持改一下modelProvider和对应的凭据就行。Python 版基于 LiteLLM 接了更多模型厂商还支持 Vertex AI 和自定义系统提示词。完整参数清单见 README.md。真实场景把一沓发票批量整理成表格最常见的实用场景就是批量抽取发票字段整个过程分三步。想达成什么手头有 20 份 PDF 发票想把每份的发票号码、开票日期、价税合计整理进一张 Excel 表但不想逐份手敲。怎么配置用schema参数定义这三个字段写type: object加三个properties即可打开extractOnly: true循环处理发票目录。发票页数多的话再加上extractPerPage: true让每页重复出现的表头字段也能抽到。得到什么每份文件返回一个结构化 JSON 对象直接写进表格即可人工誊写这步消失了。踩坑与调优新手最容易卡住的有三个地方。1. 环境依赖不只是一条 npm 命令。Node 版靠 graphicsmagick/ghostscript 把 PDF 转图片Linux 上经常需要手动 apt 安装Python 版依赖 poppler。报文件转换失败类错误时先查这两处。2. maintainFormat 是个速度开关。它逐页串行执行处理时长明显增加。普通文字文档别开只有表格多、表格跨页时才值得付出这个代价。3. 并发与成本要平衡。默认 10 个页面并行小文档可以降到 5撞到模型供应商的限流时降并发或依赖maxRetries默认重试 1 次。想省 token可以把imageDensity默认 300 DPI和imageHeight默认 2048调低以压缩图片小文档用 gpt-4o-mini 这类便宜模型也够用。Zerox 适合两类人需要把一堆杂乱文档喂给 AI 做问答的以及想搭一条简单文档数字化流水线的。建议先用一份小发票把示例跑通再处理更大的文档想看源码或仓库里自带的 40 份真实测试文档直接克隆下来就能动手git clone https://gitcode.com/GitHub_Trending/ze/zeroxZerox OCR 文档识别 PDF 转 Markdown 转换 视觉模型文档提取 发票字段抽取【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