登录 注册
效率与办公工具图像、视频与音频AI 模型与开发框架 ocrpdf
12,255
Stars
841
Forks
60
Watchers
91
Open Issues
MIT
许可证
TypeScript
语言
2024-07-21
创建时间
2025-05-20
最近更新

项目能做什么

基于视觉模型的 OCR 与文档内容提取工具。
来源:AI 基于仓库事实生成 · 内容以仓库实际 README 为准

使用说明 查看原始 README 原仓库文档

中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
![Hero Image](./assets/heroImage.png)

## Zerox OCR

<a href="https://discord.gg/smg2QfwtJ6">
  <img src="https://github.com/user-attachments/assets/cccc0e9a-e3b2-425e-9b54-e5024681b129" alt="Join us on Discord" width="200px">
</a>

A dead simple way of OCR-ing a document for AI ingestion. Documents are meant to be a visual representation after all. With weird layouts, tables, charts, etc. The vision models just make sense!

The general logic:

- Pass in a file (PDF, DOCX, image, etc.)
- Convert that file into a series of images
- Pass each image to GPT and ask nicely for Markdown
- Aggregate the responses and return Markdown

Try out the hosted version here: <https://getomni.ai/ocr-demo>
Or visit our full documentation at: <https://docs.getomni.ai/zerox>

## Getting Started

Zerox is available as both a Node and Python package.

- [Node README](#node-zerox) - [npm package](https://www.npmjs.com/package/zerox)
- [Python README](#python-zerox) - [pip package](https://pypi.org/project/py-zerox/)

| Feature                   | Node.js                      | Python                     |
| ------------------------- | ---------------------------- | -------------------------- |
| PDF Processing            | ✓ (requires graphicsmagick)  | ✓ (requires poppler)       |
| Image Processing          | ✓                            | ✓                          |
| OpenAI Support            | ✓                            | ✓                          |
| Azure OpenAI Support      | ✓                            | ✓                          |
| AWS Bedrock Support       | ✓                            | ✓                          |
| Google Gemini Support     | ✓                            | ✓                          |
| Vertex AI Support         | ✗                            | ✓                          |
| Data Extraction           | ✓ (`schema`)                 | ✗                          |
| Per-page Extraction       | ✓ (`extractPerPage`)         | ✗                          |
| Custom System Prompts     | ✗                            | ✓ (`custom_system_prompt`) |
| Maintain Format Option    | ✓ (`maintainFormat`)         | ✓ (`maintain_format`)      |
| Async API                 | ✓                            | ✓                          |
| Error Handling Modes      | ✓ (`errorMode`)              | ✗                          |
| Concurrent Processing     | ✓ (`concurrency`)            | ✓ (`concurrency`)          |
| Temp Directory Management | ✓ (`tempDir`)                | ✓ (`temp_dir`)             |
| Page Selection            | ✓ (`pagesToConvertAsImages`) | ✓ (`select_pages`)         |
| Orientation Correction    | ✓ (`correctOrientation`)     | ✗                          |
| Edge Trimming             | ✓ (`trimEdges`)              | ✗                          |

## Node Zerox

(Node.js SDK - supports vision models from different providers like OpenAI, Azure OpenAI, Anthropic, AWS Bedrock, Google Gemini, etc.)

### Installation

```sh
npm install ze
阅读完整原文

商业机会分析 AI 生成

托管型 Serverless 文档转 Markdown/JSON 提取 API

产品构想包装 Zerox 核心逻辑,提供预装 graphicsmagick/poppler 的高可用云端 REST API,支持带状态任务调度与 Webhook 回调,免除开发者自行配置系统级依赖与处理并发的麻烦。
核心功能免环境依赖的异步处理接口、多视觉模型自动重试与切换、按页提取聚合、S3/OSS 输出集成、用量仪表盘
目标用户独立全栈开发者、中小型 SaaS 团队、自动化流程(Zapier/Make)构建者
难度/周期低至中 · 2-3 周 · 成本:极低(前期仅需几台云服务器/容器服务处理图像转换,LLM Token 费用转嫁或采用自带 API Key 模式)
收费模式按处理页数订阅收费(例如 $10/1,000页)或包月套餐;提供 BYOK(自带 Key)模式仅收管道处理服务费
竞争风险云厂商或上游(如 OpenAI、Anthropic)若推出官方原生高性价比文档解析,可能压缩中间层价值
依据 已验证事实

垂直行业复杂表格与票据精准提取器(专有 Schema 适配器)

产品构想基于 Zerox 现有的 `schema` 提取能力,专门针对财务报表、跨境物流单据、体检报告等高价值复杂文档进行 Prompt 工程与校验规则微调,提供开箱即用的结构化 JSON 输出与准确率校验报告。
核心功能预置 10+ 种高频单据 Schema 模板、提取置信度校验、人工异常标记工作台、与常见 ERP/电子表格双向同步
目标用户跨境电商运营、中小微企业财务记账、供应链管理软件集成商
难度/周期中 · 1-2 个月 · 成本:低(基础开发测试 Token 成本,轻量 Web 界面)
收费模式按垂直场景高客单价订阅(如 $49-$199/月),或者单张复杂单据提取按件计费
竞争风险垂直领域容错率低,需要较多的异常兜底策略与人工复核机制
依据 数据支持的判断

视觉多模态 RAG 预处理工作流桌面端/私有部署包

产品构想打包为轻量级 Electron 桌面客户端或 Docker 离线镜像,支持本地调用各类兼容 OpenAI 协议的本地视觉模型(如 Ollama + LLaVA/Qwen-VL),实现全本地、零外发、保护隐私的知识库文档预处理。
核心功能本地一键运行环境内置、批量 PDF 转 Markdown、与本地向量库(如 Chroma/Obsidian)一键对接、脱敏过滤功能
目标用户注重隐私安全的律师事务所、科研机构、中小医疗合规团队
难度/周期中 · 3-4 周 · 成本:极低(纯客户端/Docker 分发,无持续服务器成本)
收费模式买断制商业 License(如 $59 一次性购买)或企业内网私有部署技术支持年费
竞争风险本地小参数视觉模型提取精度可能不及 GPT-4o 等闭源顶流模型(推测)
依据 AI推测
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心

竞品与相似项目 GitHub Search 真实检索

项目中文简介Stars语言
PaddlePaddle/PaddleOCR 中文介绍暂未生成
Turn any PDF or image document into structured data for your
92,584 Python
fighting41love/funNLP 中文介绍暂未生成
中英文敏感词、语言检测、中外手机/电话归属地/运营商查询、名字推断性别、手机号抽取、身份证抽取、邮箱抽取、中日文人名库、
84,528 Python
opendatalab/MinerU 中文介绍暂未生成
Transforms complex documents like PDFs and Office docs into
83,522 Python
tesseract-ocr/tesseract 中文介绍暂未生成
Tesseract Open Source OCR Engine (main repository)
77,465 C++
hiroi-sora/Umi-OCR 中文介绍暂未生成
OCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片,PD
48,590 Python
paperless-ngx/paperless-ngx 中文介绍暂未生成
A community-supported supercharged document management syste
48,019 Python
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。

项目优势与风险

技术成熟度创建于 2024-07-21,最近推送 2025-05-20,发布过 9 个 Release
社区活跃Star 12,255 / Fork 841 / Issue 91(数据支持,可自行核实)
许可证MIT
主要风险上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价

安装与使用

快速开始(以仓库 README 为准)
git clone https://github.com/getomni-ai/zerox.git
cd zerox
# 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)
阅读原仓库文档
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。