我要投稿

一款优秀的开源项目，PDF扫描件识别也超容易

发布日期：2024-09-13 13:05:07 浏览次数： 2660

作者：哎呀AIYA

微信搜一搜，关注“哎呀AIYA”

在文本处理的过程中，图片和扫描件是无法绕开的数据类型，也是业界的处理难点，也是热点的优化方向。本篇文章将介绍一款相关的开源项目，该项目在github上拥有24.9k star，涨星飞快。它是一个OCR技术的集合体，能高效解决问题：

项目特点

免费：本项目所有代码开源，完全免费。
方便：解压即用，离线运行，无需网络。
高效：自带高效率的离线OCR引擎，内置多种语言识别库。
灵活：支持命令行、HTTP接口等外部调用方式。
功能：截图OCR / 批量OCR / PDF识别 / 二维码 / 公式识别

安装使用

软件发布包下载为 .7z 压缩包或 .7z.exe 自解压包。自解压包可在没有安装压缩软件的电脑上，解压文件。

本软件无需安装。解压后，点击 Umi-OCR.exe 即可启动程序。

# 下载地址https://hiroi-sora.lanzoul.com/s/umi-ocr （国内推荐，免注册/无限速）https://github.com/hiroi-sora/Umi-OCR/releases/latest

模块举例

文档识别

文档识别：

支持格式：pdf, xps, epub, mobi, fb2, cbz。
对扫描件进行OCR，或提取原有文本。可输出为双层可搜索PDF 。
支持设定忽略区域，可用于排除页眉页脚的文字。
可设置任务完成后自动关机/休眠。

公式识别

Umi-OCR的公司识别能力是基于Pix2Text实现的。Pix2Text 是一个开源OCR项目，能够识别既包含文字又包含数学公式的混合图片。

截图OCR

截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。

左侧的图片预览栏，可直接用鼠标划选复制。
右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。
也支持在别处复制图片，粘贴到Umi-OCR进行识别。

文本后处理

关于 OCR文本后处理 - 排版解析方案：可以整理OCR结果的排版和顺序，使文本更适合阅读和使用。预设方案：

多栏-按自然段换行：适合大部分情景，自动识别多栏布局，按自然段规则进行换行。
多栏-总是换行：每段语句都进行换行。
多栏-无换行：强制将所有语句合并到同一行。
单栏-按自然段换行/总是换行/无换行：与上述类似，不过不区分多栏布局。
单栏-保留缩进：适用于解析代码截图，保留行首缩进和行中空格。
不做处理：OCR引擎的原始输出，默认每段语句都进行换行。

上述方案，均能自动处理横排和竖排（从右到左）的排版。

未完待续，项目仍在持续迭代和优化中，进一步的使用可参见：

https://github.com/hiroi-sora/Umi-OCR

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-11-04

首个国产开源AI原生后端，不再写后端，AI就是全栈工程师。

2025-11-04

DeepCode: 用多智能体架构重新定义代码生成

2025-11-04

AI Infra：POINTS-Reader，腾讯开源的文档解析和OCR工具

2025-11-03

震惊，Github开源，真正让程序员效率提升 90%的AI辅助工具来啦！！！

2025-11-03

Dify迎来最强开源对手！这个本地Agent内置微调+超细权限控制~

2025-11-03

我们大胆做了个决定，大会所有音乐bgm由AI生成，这部分预算可以省了！｜Jinqiu Scan

2025-11-03

LongCat-Flash-Omni 正式发布并开源：开启全模态实时交互时代

2025-11-03

科大讯飞“王炸”开源！企业级智能体平台 Astron Agent：原生集成 RPA，Apache 2.0 商业友好！

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

DeepSeek V3.1 Base / Instruct 发布

2025-08-20

阿里Qoder vs Trae vs Cursor：谁才是2025年程序猿的效率之王？

2025-09-07

DeepSeek-V3.1-Base来了！MoE架构+128K上下文，性能再进化

2025-08-20

重磅开源！通义万相最新模型来了

2025-08-26

阿里AI编程 IDE Qoder 正式发布，BAT 终于凑齐了！

2025-08-22

开源发布！适合中国宝宝的 LangGraph 智能体开发模板！

2025-09-06

DeepSeek又开源，这次是OCR模型！附论文解读！

2025-10-20

DeepSeek-V3.1发布，拿下全球开源第一，确实可以封神了！（附一手实测）

2025-08-22

Claude不让用，有哪些国产模型能迎头赶上？

2025-09-08

智谱发布开源视觉推理模型GLM-4.5V，刷新41项多模态推理SOTA

2025-08-12

大家都在问

DeepSeek-OCR到底厉害在哪？

2025-11-03

n8n如何调用最近爆火的deepseek OCR？

2025-10-29

小红书入局AI智能体开源DeepAgent，在计划什么更新？

2025-10-28

埃森哲的大裁员，向市场发出了什么信号？

2025-10-13

DeepSeek-V3.2背后的国产算子编程语言TileLang是什么？如何保持性能领先的同时减少6倍代码量？

2025-09-29

Qwen3-Next 首测！Qwen3.5的预览版？但为什么我的测试一塌糊涂？

2025-09-17

Dify Pre-release版本来了，Dify2.0时代不远了，看看有哪些进步？

2025-09-09

Claude不让用，有哪些国产模型能迎头赶上？

2025-09-08

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB