企业官网建设流程全解析

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schema（JSON 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 Bedrock（Claude 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/zerox

Zerox 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