开源项目 - 爱鲜报

OCRmyPDF 是一款为扫描版 PDF 添加 OCR 文字层的命令行工具，让原本只能查看的扫描件变得可搜索、可复制粘贴。它基于 Tesseract 引擎，支持上百种语言，默认输出 PDF/A 长期归档格式，并可自动纠偏、旋转校正与压缩体积。

Python 35k 2.4k

Python 文档处理命令行 PDF OCR Tesseract

纯 JavaScript 实现的 OCR 库，基于 WebAssembly 移植 Tesseract 引擎，支持浏览器与 Node.js，可识别 100 多种语言的图像文字。

JavaScript 39k 2.4k

JavaScript WebAssembly OCR 图像识别 Tesseract

Marker 是一款高精度文档转换工具，可将 PDF、图片、PPTX、DOCX、XLSX、HTML、EPUB 等格式快速转换为 Markdown、JSON、HTML 或分块文本，支持表格、公式、代码块与图片提取，并可选 LLM 增强准确率。

Python 41k 2.9k

Python LLM PDF Markdown OCR 文档解析

Paperless-ngx 是一个社区驱动的开源文档管理系统，可将纸质文件扫描、OCR 识别并归档为可全文检索的在线档案库，支持标签、自动分类与机器学习辅助整理。

Python 47k 3.3k

AI 自建服务 Django Angular OCR 文档管理

Umi-OCR 是一款免费、开源、可离线运行的 OCR 软件，支持截图识别、批量图片处理、PDF 文档识别、二维码扫描与生成，内置多国语言库，并提供命令行和 HTTP 接口。

Python 48k 4.7k

Python PDF OCR 开源软件离线识别二维码

Tesseract 是经典开源 OCR 引擎，支持 100+ 语言与多种图像格式，提供命令行工具和 C/C++ 库，可输出文本、PDF、hOCR 等格式。

C++ 77k 11k

机器学习 C++ OCR LSTM 图像识别

MinerU 是 OpenDataLab 开源的文档解析工具，可将 PDF、Office 文档、扫描件等转换为 LLM 友好的 Markdown/JSON，支持表格、公式、OCR 与版面分析，适合 RAG 与 Agent 工作流。

Python 83k 6.8k

Python LLM PDF RAG OCR 文档解析

飞桨开源的工业级 OCR 与文档智能工具包，可将图片、PDF 转成 Markdown/JSON 等结构化数据，支持 100+ 语言识别、版面与表格解析，并可直接对接 LLM 与 RAG 流程。

Python 92k 12k

Python LLM RAG OCR 文档解析 PaddlePaddle