【OCR】总结github上开源 OCR 工具：让文字识别更简单

前言

在数字化的时代，光学字符识别（OCR）技术成为了我们处理文档、图像文字信息的得力助手。它能够将图像中的文字信息转换为可编辑和可处理的文本数据，极大地提高了信息处理的效率。今天，我要给大家介绍一些优秀的开源 OCR 工具，它们在不同的场景下各显神通，让我们一起来看看它们的强大之处吧！

1、端到端 OCR 模型：GOT-OCR 2.0

这是一款开源的端到端多模态 OCR 模型，模型大小仅 1.43 GB。除了能识别和提取文本，还能处理数学公式、分子式、图表、乐谱、几何图形等多种内容，极大地拓宽了 OCR 技术的应用范围。

目前在 GitHub 上已经获得了 7.2K 的 Star！

开源地址：https://github.com/Ucas-HaoranWei/GOT-OCR2.0

2、开源多模态模型：兼容文字识别

InternVL 是由 OpenGVLab 团队开发的开源多模态大模型，旨在提供接近 GPT-4V 和 Gemini Pro 等商业模型性能的替代方案，目前已经获得了 7.2K 的 Star。

这个是视觉大模型，它能兼容的场景更广泛，比如图片理解，理论上不算 OCR 领域的垂直模型，不过这种视觉大模型能够向下兼容 OCR 提取文字场景的，所以我就算进来了。

当然开源的视觉大模型有很多，我就不逐个梳理了，先拿这个做案例。

开源地址：https://github.com/OpenGVLab/InternVL

3、PDF 转成结构化文本：olmOCR

olmOCR 是由 AllenAI 开发的一款专注于 PDF 文档线性化处理的工具包，将复杂布局的 PDF 转换为适合大语言模型（LLM）训练的结构化文本。目前已经获得了 9.8K 的 Star！

其核心目标是通过高效处理 PDF 的图文混排、多栏布局等问题，生成连贯的文本数据，提升 LLM 在真实场景中的文档理解能力。

要求配置是最新的 NVIDIA GPU（在 RTX 4090、L40S、A100、H100 上测试），至少有 20 GB 的 GPU RAM，30GB 可用磁盘空间

开源地址：https://github.com/allenai/olmocr在线演示：https://olmocr.allenai.org/

4、识别文字转成结构化文件：Zerox

Zerox 是由 Omni-AI 团队开发的一款 AI 驱动的提取文字工具，可以把 PDF、图片、Docx 等格式的文档转换为结构化的 Markdown 文件。目前获得了 10.3K 的 Star！

底层实现：底层基于视觉模型（如 GPT-4o-mini）实现 OCR 并直接生成结构化内容。

无需训练：与传统 OCR 工具不同，Zerox 无需提前训练模型即可处理复杂布局。 

格式结构：可识别学术论文的分栏排版、技术文档中的代码块、合同表格、试卷公式等，保留逻辑结构并生成整洁的 Markdown。

开源地址：https://github.com/getomni-ai/zerox体验地址：https://getomni.ai/ocr-demo

5、行级文本检测、布局分析：Surya

Surya 专注于多语言文本及复杂文档结构的识别，尤其以表格识别能力见长。目前在 GitHub 上已经获得了 16.8K 的 Star！

关键词：行级文本检测、布局分析（表格、图像、标题等检测）、阅读顺序检测、表格识别（检测行/列）、LaTeX OCR

① 多语言支持：支持90+ 种语言，涵盖中文、日语、阿拉伯语等复杂文字，以及英语、西班牙语等主流语言，适用于全球化场景的文档处理。

② 表格识别优化：能精准识别表格的行、列、单元格结构，包括旋转或复杂布局的表格，性能优于当前主流开源模型（如 Table Transformer）。

③ 复杂文档解析：可检测文档中的标题、图片、段落等元素，并智能判断阅读顺序，避免输出内容混乱。

④ 高效处理能力：支持 CPU/GPU 运行，通过批量处理和图像预处理优化（如去噪、灰度化），显著提升识别速度，适用于企业级文档数字化需求。

开源地址：https://github.com/VikParuchuri/surya

6、图片 PDF 变可复制、搜索

这个开源工具，专为扫描版 PDF 文件（就是 PDF 中全是图片，图片中的文字不可复制的那种）添加可搜索、可复制的文本层。

目前在 GitHub 已经获得了 20.7K 的 Star！

使用的是 Tesseract OCR 引擎，支持 100 多种语言，能保留原始图像质量并优化文件体积，同时生成符合长期存储标准的 PDF 格式。  

① 精准识别：打开图片型 PDF 的时候，会发现图片上的文字是没办法复制和搜索的。将 OCR 文本层嵌入图片下方，支持高精度复制和搜索。  

② 批量处理：利用多核 CPU 加速，可高效处理上千页文档。  

③ 图像优化：自动校正倾斜页面、旋转错误页面，提升识别率。  

④ 跨平台支持：安装便捷，兼容 Linux、Windows、macOS 和 Docker

开源地址：https://github.com/ocrmypdf/OCRmyPDF  接入文档：https://ocrmypdf.readthedocs.io/en/latest/

7、PDF 转换为 Markdown、JSON 或 HTML

Marker 是由 Vik Paruchuri 开发的高效文档转换工具，可以将 PDF、图像、Office 文档及 EPUB 等格式快速转换为 Markdown、JSON 或 HTML。

目前在 GitHub 上已经获得了 22.8K 的 Star。

优势在于高精度解析复杂内容（如表格、数学公式、代码块）和出色的处理速度，支持 GPU 加速，性能优于同类云服务（如 Llamaparse、Mathpix）。

可以调用大语言模型（如 Gemini、Ollama）优化结果，例如跨页表格合并、公式格式化、表单数据提取。

开源地址：https://github.com/vikParuchuri/marker

8、EasyOCR

EasyOCR 是由 JaidedAI 开发的开源 OCR 工具库，输入图片，返回提取出来的文字、对应位置坐标、置信度，目前在 GitHub 上获得了 26K 的 Star。

支持 80+ 语言和多种文字系统（如中文、拉丁文、阿拉伯文），提供即用型文本识别功能。

基于 PyTorch 深度学习框架，支持图片/字节流/URL等多种输入形式，通过简洁 API 输出文本内容、位置及置信度。

其特点包括多语言混合识别、CPU/GPU 兼容和预训练模型快速部署，适用于多语言文档、自然场景文字（如路牌/车牌）等 OCR 场景，兼顾开发者友好性和工业级应用需求。

开源地址：https://github.com/JaidedAI/EasyOCRDemo 地址：https://www.jaided.ai/documentai/demo

9、安装即用的离线 OCR 文字识别软件

这款免费、开源、离线的 OCR 文字识别软件，支持 Windows 7+ x64 和 Linux x64 系统，无需联网，下载即可本地运行。目前已经获得了 30.8K 的 Star 。

关键词：本地软件解压即用，离线运行；截图OCR；批量OCR ；

开源地址：https://github.com/hiroi-sora/Umi-OCR

10、OCR 远古巨神：Tesseract

Tesseract 是一个功能强大且广泛应用的开源光学字符识别（OCR）引擎，在 GitHub 上已经获得了 65.3K 的 Star 。

能够将图像中的文字转换为可编辑的文本，1985 年至 1994 年间由惠普实验室开发， 1996 年后被移植到 Windows系统, 2005 年惠普将其开源。

并最终由 Google 赞助，是知名度比较高的开源 OCR 系统之一。

官方介绍使用先进的深度学习技术（如卷积神经网络）来进行字符识别，精度较高，尤其在处理质量较好的扫描图像时表现优异。支持超过 100 种语言的文本识别，方便开发者处理不同语言的文本识别任务。

除此之外还有一个 JavaScript 版本的Tesseract OCR：Tesseract.js，但是逛逛实际测试下来，发现 JS 版本中文效果不咋滴。

开源地址：https://github.com/tesseract-ocr/tesseract开源地址：https://github.com/naptha/tesseract.js