企业官网建设流程全解析

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 poppler（PDF 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_path="shared/inputs/0002.pdf", model="gpt-4o-mini", output_dir="./output", concurrency=10, )) 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 zerox，API 基本一致，入口在 py_zerox/pyzerox/core/zerox.py，图片编码在 py_zerox/pyzerox/processor/image.py，PDF 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