zerox
12,252
Stars
841
Forks
60
Watchers
91
Open Issues
MIT
许可证
TypeScript
语言
2024-07-21
创建时间
2025-05-20
最近更新
项目能做什么
基于视觉模型的 OCR 与文档内容提取工具。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
 ## Zerox OCR <a href="https://discord.gg/smg2QfwtJ6"> <img src="https://github.com/user-attachments/assets/cccc0e9a-e3b2-425e-9b54-e5024681b129" alt="Join us on Discord" width="200px"> </a> A dead simple way of OCR-ing a document for AI ingestion. Documents are meant to be a visual representation after all. With weird layouts, tables, charts, etc. The vision models just make sense! The general logic: - Pass in a file (PDF, DOCX, image, etc.) - Convert that file into a series of images - Pass each image to GPT and ask nicely for Markdown - Aggregate the responses and return Markdown Try out the hosted version here: <https://getomni.ai/ocr-demo> Or visit our full documentation at: <https://docs.getomni.ai/zerox> ## Getting Started Zerox is available as both a Node and Python package. - [Node README](#node-zerox) - [npm package](https://www.npmjs.com/package/zerox) - [Python README](#python-zerox) - [pip package](https://pypi.org/project/py-zerox/) | Feature | Node.js | Python | | ------------------------- | ---------------------------- | -------------------------- | | PDF Processing | ✓ (requires graphicsmagick) | ✓ (requires poppler) | | Image Processing | ✓ | ✓ | | OpenAI Support | ✓ | ✓ | | Azure OpenAI Support | ✓ | ✓ | | AWS Bedrock Support | ✓ | ✓ | | Google Gemini Support | ✓ | ✓ | | Vertex AI Support | ✗ | ✓ | | Data Extraction | ✓ (`schema`) | ✗ | | Per-page Extraction | ✓ (`extractPerPage`) | ✗ | | Custom System Prompts | ✗ | ✓ (`custom_system_prompt`) | | Maintain Format Option | ✓ (`maintainFormat`) | ✓ (`maintain_format`) | | Async API | ✓ | ✓ | | Error Handling Modes | ✓ (`errorMode`) | ✗ | | Concurrent Processing | ✓ (`concurrency`) | ✓ (`concurrency`) | | Temp Directory Management | ✓ (`tempDir`) | ✓ (`temp_dir`) | | Page Selection | ✓ (`pagesToConvertAsImages`) | ✓ (`select_pages`) | | Orientation Correction | ✓ (`correctOrientation`) | ✗ | | Edge Trimming | ✓ (`trimEdges`) | ✗ | ## Node Zerox (Node.js SDK - supports vision models from different providers like OpenAI, Azure OpenAI, Anthropic, AWS Bedrock, Google Gemini, etc.) ### Installation ```sh npm install ze阅读完整原文
项目深度分析 AI 生成
托管型 Serverless 文档转 Markdown/JSON 提取 API
| 产品构想 | 包装 Zerox 核心逻辑,提供预装 graphicsmagick/poppler 的高可用云端 REST API,支持带状态任务调度与 Webhook 回调,免除开发者自行配置系统级依赖与处理并发的麻烦。 |
| 核心功能 | 免环境依赖的异步处理接口、多视觉模型自动重试与切换、按页提取聚合、S3/OSS 输出集成、用量仪表盘 |
| 目标用户 | 独立全栈开发者、中小型 SaaS 团队、自动化流程(Zapier/Make)构建者 |
| 难度/周期 | 低至中 · 2-3 周 · 成本:极低(前期仅需几台云服务器/容器服务处理图像转换,LLM Token 费用转嫁或采用自带 API Key 模式) |
| 收费模式 | 按处理页数订阅收费(例如 $10/1,000页)或包月套餐;提供 BYOK(自带 Key)模式仅收管道处理服务费 |
| 竞争风险 | 云厂商或上游(如 OpenAI、Anthropic)若推出官方原生高性价比文档解析,可能压缩中间层价值 |
| 依据 | 已验证事实 |
垂直行业复杂表格与票据精准提取器(专有 Schema 适配器)
| 产品构想 | 基于 Zerox 现有的 `schema` 提取能力,专门针对财务报表、跨境物流单据、体检报告等高价值复杂文档进行 Prompt 工程与校验规则微调,提供开箱即用的结构化 JSON 输出与准确率校验报告。 |
| 核心功能 | 预置 10+ 种高频单据 Schema 模板、提取置信度校验、人工异常标记工作台、与常见 ERP/电子表格双向同步 |
| 目标用户 | 跨境电商运营、中小微企业财务记账、供应链管理软件集成商 |
| 难度/周期 | 中 · 1-2 个月 · 成本:低(基础开发测试 Token 成本,轻量 Web 界面) |
| 收费模式 | 按垂直场景高客单价订阅(如 $49-$199/月),或者单张复杂单据提取按件计费 |
| 竞争风险 | 垂直领域容错率低,需要较多的异常兜底策略与人工复核机制 |
| 依据 | 数据支持的判断 |
视觉多模态 RAG 预处理工作流桌面端/私有部署包
| 产品构想 | 打包为轻量级 Electron 桌面客户端或 Docker 离线镜像,支持本地调用各类兼容 OpenAI 协议的本地视觉模型(如 Ollama + LLaVA/Qwen-VL),实现全本地、零外发、保护隐私的知识库文档预处理。 |
| 核心功能 | 本地一键运行环境内置、批量 PDF 转 Markdown、与本地向量库(如 Chroma/Obsidian)一键对接、脱敏过滤功能 |
| 目标用户 | 注重隐私安全的律师事务所、科研机构、中小医疗合规团队 |
| 难度/周期 | 中 · 3-4 周 · 成本:极低(纯客户端/Docker 分发,无持续服务器成本) |
| 收费模式 | 买断制商业 License(如 $59 一次性购买)或企业内网私有部署技术支持年费 |
| 竞争风险 | 本地小参数视觉模型提取精度可能不及 GPT-4o 等闭源顶流模型(推测) |
| 依据 | AI推测 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| PaddlePaddle/PaddleOCR | 中文介绍暂未生成 Turn any PDF or image document into structured data for your |
92,584 | Python |
| tesseract-ocr/tesseract | 中文介绍暂未生成 Tesseract Open Source OCR Engine (main repository) |
77,465 | C++ |
| hiroi-sora/Umi-OCR | 中文介绍暂未生成 OCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片,PD |
48,590 | Python |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2024-07-21,最近推送 2025-05-20,发布过 9 个 Release |
| 社区活跃 | Star 12,252 / Fork 841 / Issue 91(数据支持,可自行核实) |
| 许可证 | MIT |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
此项目未提供 Docker 镜像,安装步骤以原仓库 README 为准(涉及依赖安装与环境配置,对新手门槛较高)。