Zerox OCR Zerox OCR Zerox OCR

Zerox OCR

Zerox OCR 简介

Zerox OCR 是一种极其简便的方法，用于将文档进行光学字符识别（OCR）并方便人工智能进行后续处理。鉴于文档往往包含复杂布局、表格、图表等，视觉模型在处理这些内容时尤其有效。

基本逻辑如下：

1. 提供一个 PDF 文件（URL 或文件缓冲区）。
2. 将 PDF 转换成一系列图像。
3. 将每个图像传给 GPT，让其生成 Markdown 格式的文本。
4. 聚合所有响应，并返回 Markdown 格式的结果。

这看起来很简单，但使用 gpt-4o-mini 方法，这不仅具备价格竞争优势，还能获得显著更好的结果。

价格比较

以下是 Zerox OCR 与其他文档处理服务的价格对比（处理 1000 页）：

安装

npm install zerox

Zerox 使用 graphicsmagick 和 ghostscript 进行 PDF 到图像的转换。这些工具应会自动下载，但有时需要手动安装。

使用方法

通过文件 URL

import { zerox } from “zerox”;

const result = await zerox({ filePath: “https://omni-demo-data.s3.amazonaws.com/test/cs101.pdf", openaiAPIKey: process.env.OPENAI_API_KEY, });

通过本地路径

import path from “path”; import { zerox } from “zerox”;

const result = await zerox({ filePath: path.resolve(__dirname, “./cs101.pdf”), openaiAPIKey: process.env.OPENAI_API_KEY, });

选项

const result = await zerox({ // 必填 filePath: “path/to/file”, openaiAPIKey: process.env.OPENAI_API_KEY,

// 可选 concurrency: 10, // 并发处理页面数。 maintainFormat: false, // 较慢但有助于保持一致的格式。 cleanup: true, // 处理结束后清理临时图像文件。 outputDir: undefined, // 将合并结果保存到文件。 tempDir: “/os/tmp”, // 用于临时文件的目录（默认：系统临时目录）。 });

maintainFormat 选项通过将前一页的输出作为下一页的附加上下文传递，尝试保持 Markdown 格式的一致性。这需要同步运行请求，因而速度较慢，但对于包含大量表格数据或表格跨页的文档非常有用。

示例结果

{ completionTime: 10038, fileName: ‘invoice_36258’, inputTokens: 25543, outputTokens: 210, pages: [ { content: ‘# INVOICE # 36258\n’ + ‘Date: Mar 06 2012 \n’ + ‘Ship Mode: First Class \n’ + ‘Balance Due: $50.10 \n’ + ‘## Bill To:\n’ + ‘Aaron Bergman \n’ + ‘98103, Seattle, \n’ + ‘Washington, United States \n’ + ‘## Ship To:\n’ + ‘Aaron Bergman \n’ + ‘98103, Seattle, \n’ + ‘Washington, United States \n’ + ‘\n’ + ‘| Item | Quantity | Rate | Amount |\n’ + ‘|——————————————–|———-|——–|———|\n’ + “| Global Push Button Manager’s Chair, Indigo | 1 | $48.71 | $48.71 |\n” + ‘| Chairs, Furniture, FUR-CH-4421 | | | |\n’ + ‘\n’ + ‘Subtotal: $48.71 \n’ + ‘Discount (20%): $9.74 \n’ + ‘Shipping: $11.13 \n’ + ‘Total: $50.10 \n’ + ‘—\n’ + ‘Notes: \n’ + ‘Thanks for your business! \n’ + ‘Terms: \n’ + ‘Order ID : CA-2012-AB10015140-40974 ‘, page: 1, contentLength: 747 } ] }

许可证

本项目基于 MIT 许可证授权。