第250102期 - zerox

7.6k star,推荐一个更加智能的文档转换开源工具

与常规的文档转换工具不同，zerox 是一个更加智能的文档转换工具，它是采用视觉模型来实现的pdf到markdown的转换。

说个例子，就算你是手写体，也能精准的识别出来。

当然了，它不仅仅支持pdf的转换，支持的文档类型也有很多。

关于zerox

zerox是一个非常简单但高效的ocr文档内容提取工具。

Zerox利用视觉模型进行光学字符识别（OCR）。这个项目的目标是简化文档处理过程，使其更易于人工智能的使用。Zerox 提供了一个简单的方法，将各种格式的文档（如 PDF、DOCX、图像等）转换为 Markdown 格式，适用于 Node 和 Python 环境。

项目特点

多格式支持：Zerox 支持多种文档格式，包括 PDF、DOCX 和图像文件。无论是复杂的布局、表格还是图表，Zerox 都能轻松处理。
高效的 OCR 处理：利用先进的视觉模型，Zerox 能够高效地进行光学字符识别，将文档内容转换为 Markdown 格式。
易于使用：Zerox 提供了简单的 API，用户可以轻松地将其集成到现有的工作流程中。无论是 Node 还是 Python 环境，Zerox 都能无缝运行。
可扩展性：Zerox 设计为可扩展的框架，能够处理大规模数据集和高并发任务，适用于各种应用场景。
丰富的配置选项：Zerox 提供了丰富的配置选项，用户可以根据需求自定义 OCR 处理过程，包括页面方向校正、错误处理模式、并发处理数量等。

如何快速开始

Node 环境

安装 Zerox：

npm install zerox

使用 Zerox 进行 OCR 处理：

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,
});

配置选项：

const result = await zerox({
  filePath: "path/to/file",
  openaiAPIKey: process.env.OPENAI_API_KEY,
  cleanup: true,
  concurrency: 10,
  correctOrientation: true,
  errorMode: ErrorMode.IGNORE,
  maintainFormat: false,
  maxRetries: 1,
  maxTesseractWorkers: -1,
  model: "gpt-4o-mini",
  onPostProcess: async ({ page, progressSummary }) => Promise<void>,
  onPreProcess: async ({ imagePath, pageNumber }) => Promise<void>,
  outputDir: undefined,
  pagesToConvertAsImages: -1,
});

Python 环境

安装 Zerox：

pip install zerox

使用 Zerox 进行 OCR 处理：

from zerox import zerox

result = zerox({
  "filePath": "https://omni-demo-data.s3.amazonaws.com/test/cs101.pdf",
  "openaiAPIKey": os.getenv("OPENAI_API_KEY"),
})

配置选项：

result = zerox({
  "filePath": "path/to/file",
  "openaiAPIKey": os.getenv("OPENAI_API_KEY"),
  "cleanup": True,
  "concurrency": 10,
  "correctOrientation": True,
  "errorMode": ErrorMode.IGNORE,
  "maintainFormat": False,
  "maxRetries": 1,
  "maxTesseractWorkers": -1,
  "model": "gpt-4o-mini",
  "onPostProcess": lambda page, progressSummary: None,
  "onPreProcess": lambda imagePath, pageNumber: None,
  "outputDir": None,
  "pagesToConvertAsImages": -1,
})

Zerox 项目通过其强大的功能和易用的接口，为用户提供了一个高效的文档处理解决方案。无论是处理复杂的文档布局，还是进行大规模的 OCR 任务，Zerox 都能轻松应对。

开源地址：https://github.com/getomni-ai/zerox