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

摘要：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。

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的核心逻辑是将各种格式的文档（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。

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。

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

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 zeroximport asyncio# 使用OpenAI模型ai_provider = "openai" # 仅使用vision模型！参考: https://docs.litellm.ai/docs/providersmy_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

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}