local-ocr
/local-ocr
Wyciąga tekst z wielu skanów i zdjęć dokumentów lokalnie: zamienia strony na obrazy i rozpoznaje tekst, wzory oraz tabele.
- Autor
- cobaltna ↗
- Repozytorium
- 985-student-ai-sessions ↗
- Licencja
- CC-BY-4.0
- Ostatnia zmiana repozytorium
- 31.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 4
- Skrypty
- 1
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 1
Brak sygnałów. Repozytorium zmienione 31.10.2026, bez odwołań do wycofanych modeli i API.
CC-BY-4.0, otwarta.
- 1 skrypt w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.
Skrypty: ocr.py
Co robi i kiedy
Wyciąga tekst z wielu skanów i zdjęć dokumentów lokalnie: zamienia strony na obrazy i rozpoznaje tekst, wzory oraz tabele.
Oryginalny opis (EN)
批量 OCR:处理较多页数的、以文本为主的扫描版 PDF(先渲染成图片再逐页识别),或批量纯文字图片(试卷/文档截图/书页照片等需要查看具体文字内容的图片)。注意是纯文字图片——只提取图中文字、公式(LaTeX)、表格(Markdown),不能理解几何图形和图表结构。当前模型无视觉能力而任务需要读图文字时也用它。触发词:OCR、识别图片、批量识别、提取文字、扫描件、读 PDF 内容。
Jak działa
- 何时用 / 何时不用
- 快速开始
- 扫描 PDF 批量流程(核心用法)
- 任务 Prompt(官方训练格式,冒号不能省)
- 输出格式
- 可靠性机制(内置,无需干预)
- 环境变量(可覆盖默认)
- 故障排查
Podgląd SKILL.md
---
name: local-ocr
description: 批量 OCR:处理较多页数的、以文本为主的扫描版 PDF(先渲染成图片再逐页识别),或批量纯文字图片(试卷/文档截图/书页照片等需要查看具体文字内容的图片)。注意是纯文字图片——只提取图中文字、公式(LaTeX)、表格(Markdown),不能理解几何图形和图表结构。当前模型无视觉能力而任务需要读图文字时也用它。触发词:OCR、识别图片、批量识别、提取文字、扫描件、读 PDF 内容。
---
# Local OCR(LM Studio + PaddleOCR-VL-1.5)
通过本地 LM Studio 的 OpenAI 兼容 API 调用 **PaddleOCR-VL-1.5** 模型做 OCR。纯本地离线,单页约 1–8 秒。脚本 `ocr.py` 仅用 Python 标准库,无需 pip 安装。
## 何时用 / 何时不用
**✅ 用**:
- 批量处理**页数较多的文本为主扫描 PDF**(论文、讲义、试卷扫描件)——先渲染成图片,逐页识别,最后合并
- 批量**纯文字图片**(多张截图、拍照的文档/试卷),需要拿到其中的文字、公式、表格内容
- 当前模型没有视觉能力(纯文本 LLM),任务需要读图里的文字
**❌ 不用**(或用了也要说明局限):
- 图片的核心是**几何图形/图表/电路图/光路图**:OCR 只能拿到图中印刷的文字和符号,**拿不到图形的空间结构**(三角形形状、点的位置、曲线走势)。无法据此解题。如实告诉用户:"我能读出图中的文字,但看不到图形本身。"
- 少量图片且当前模型有视觉能力 → 直接用视觉更快
- 表格结构要求高的页面 → 裁出表格区域单独用 `--prompt "Table Recognition:"`
## 快速开始
```bash
# 0. 健康检查(每次会话首次使用前跑一次)
python "<SKILL_DIR>/ocr.py" --check
# 1. 单张图片
python "<SKILL_DIR>/ocr.py" -i "C:\path\to\image.png"
# 2. 结果存文件 / JSON 输出(含 tokens、耗时、退化标志)
python "<SKILL_DIR>/ocr.py" -i image.png -o result.txt
python "<SKILL_DIR>/ocr.py" -i image.png --json
```
`<SKILL_DIR>` = 本技能目录(ZCode: `C:\Users\UserX\.zcode\skills\local-ocr`)。
## 扫描 PDF 批量流程(核心用法)
```python
# 第 1 步:PDF → PNG(用 conda opencv 环境的 python,含 pymupdf)
import fitz
doc = fitz.open(r"C:\path\to\scan.pdf")
for i, page in enumerate(doc):
page.get_pixmap(dpi=150).save(f"pages/page{i+1}.png") # 150 DPI 足够
```
```bash
# 第 2 步:逐页识别(bash 循环)
for f in pages/page*.png; do
python "<SKILL_DIR>/ocr.py" -i "$f" -o "text/$(basename "$f" .png).txt"
done
# 第 3 步:按页码顺序合并所有 txt
```
**公式密集的页面**(论文/讲义):加 `--passes 2` 或 `3`——模型偶发提前停止导致静默漏掉一栏/一节(约 30% 概率,无任何报错),多跑几次取最长结果能找回,代价约 3 倍时间。普通文字页不需要。
## 任务 Prompt(官方训练格式,冒号不能省)
| 任务 | `--prompt` 值 |
|---|---|
| 一般文字(默认) | `OCR:` |
| 数学公式 | `Formula Recognition:` |
| 表格 | `Table Recognition:` |
| 图表 | `Chart Recognition:` |
## 输出格式
- 纯文本原样输出;数学公式为 LaTeX(`\(x^2\)`、`\[\frac{a}{b}\]`、`\tag{编号}`)
- 表格为 Markdown 或线性化文本(整页小表格可能丢结构——重要表格请裁剪后单独识别)
- 中文、英文、混排均可靠;参考文献 URL/DOI 可逐字正确
- **LaTeX 语法质量**:约 1% 的数学片段有机械性语法缺陷(下标漏花括号、定界符未闭合等)。若输出将喂给 LaTeX 渲染器,加 `--fix-latex` 自动修复(2400+ 片段 KaTeX 验证:缺陷 24→1);不加则保持模型原始输出。
## 可靠性机制(内置,无需干预)
- **重复/退化守卫**:输出自动筛查(字符级循环、段落级重复、token 封顶),检出即自动换温度+seed 重试,返回最干净的一次;仍可疑时 stderr 打 `[WARN]`、JSON 加 `"degenerate": true`——此时结果不可信,建议裁剪图片或换区域 prompt。
- **截断预防**:模型需以 ≥16384 上下文加载(已在本机 `~/.lmstudio/settings.json` 持久化)。若输出在 ~1200 token 处莫名截断,检查 LM Studio 加载上下文。
## 环境变量(可覆盖默认)
| 变量 | 默认 | 说明 |
|---|---|---|
| `LMSTUDIO_OCR_API` | `http://127.0.0.1:1234/v1/chat/completions` | API 端点 |
| `LMSTUDIO_OCR_MODEL` | `paddleocr-vl-1.5` | 模型 ID |
| `LMSTUDIO_OCR_PROMPT` | `OCR:` | 默认 prompt |
| `LMSTUDIO_OCR_TEMPERATURE` | `0.45` | 采样温度 |
| `LMSTUDIO_OCR_RETRIES` | `2` | 退化时额外重试次数 |
| `LMSTUDIO_OCR_PASSES` | `1` | 每图运行次数,取最长结果 |
| `LMSTUDIO_OCR_FIX_LATEX` | `0` | 置 1 启用 LaTeX 语法后处理(等价 `--fix-latex`) |
| `LMSTUDIO_OCR_TIMEOUT` | `180` | 超时(秒) |
## 故障排查
| 症状 | 处理 |
|---|---|
| `Connection refused` | LM Studio 未启动或 Local Server 未开(Developer → Start Server) |
| `Model not found` | My Models 里加载 PaddleOCR-VL-1.5 |
| `HTTP 400: Model does not support images` | mmproj 文件缺失/命名不对,见 INSTALL.md |
| 输出中途截断 | 加载上下文 <16k,重载模型 |
| `[WARN]` 重复告警 | 裁剪图片/换任务 prompt;必要时 `lms runtime update` |
| 慢(>10s) | GPU Offload 设 Max;触发重试时耗时翻倍属正常 |
详细安装/回滚见 INSTALL.md,其他编辑器接入见 CROSS_EDITOR.md。
Pliki w paczce (4)
- CROSS_EDITOR.md 6 KB
- INSTALL.md 6 KB
- SKILL.md 5 KB
- ocr.py 24 KB
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · cobaltna/985-student-ai-sessions | 98 | CC-BY-4.0 |
| kltng/humanities-skills | 100 | MIT |
Migawka bazy z 13.11.2026 · wersja paczki 1f3f0bebe55c (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100screen-ocr
Czyta zrzut ekranu lub zdjęcie podane przez użytkownika: wyciąga tekst, tabele w Markdown, kod i wzory LaTeX oraz wyjaśnia błędy. Przydaje się przy odczycie obrazów z komunikatami. - 100pdf
Czyta, tworzy, edytuje i szyfruje PDF-y, wyciąga tekst, tabele i obrazy oraz rozpoznaje tekst ze skanów. - 100pdf-to-markdown
Zamienia PDF, EPUB, DOCX i PPT w czysty Markdown z OCR skanów, doborem narzędzia, wznawianiem i czyszczeniem wyniku. - 100pdf-ocr
Zamienia PDF-y na markdown przez lokalny model GLM-OCR w Ollama, rozpoznając tekst strona po stronie. - 100legal-ocr
Rozpoznaje tekst ze skanów, obrazów, PDF-ów, plików Office i adresów URL i zamienia go na Markdown, z ostrożną poprawą terminów prawnych i struktury dokumentu przy materiałach prawniczych. - 100byted-las-pdf-parse-doubao
Zamienia PDF i skany na ustrukturyzowany Markdown lub tekst z tabelami i układem wielokolumnowym oraz wykonuje OCR.