Zerox｜视觉模型文档OCR转Markdown开发库

用途与定位

Zerox 是一个面向开发者的文档 OCR 开发库，提供 Node.js 与 Python 两个包。它不走传统字符识别路线，而是先把文档转成图片，再逐页交给视觉大模型，让模型按页面视觉内容输出 Markdown。对排版奇怪、含表格和图表的文档，这种做法通常比纯文本抽取更贴近原始版式。

需要说明：Zerox 是开发库，需要写入代码调用，并非装好即用的桌面软件；普通用户若想直接试用，可先看官方提供的在线演示（是否长期可用、额度与条款待核查）。

适用人群

适合要把扫描件、合同、发票、教材、报表批量整理成 Markdown，再喂给检索或知识库的开发者；也适合需要按自定义结构抽取字段的数据工程人员。不写代码的用户不建议直接使用。

主要功能

• 输入 PDF、图片以及 Word、Excel、PowerPoint、ODF、RTF、TXT、HTML 等多种格式，非图片非 PDF 文件会先经 LibreOffice 转成 PDF，再转图片。
• 逐页调用视觉模型生成 Markdown，可并发处理多页，也可只选指定页。
• 可开启格式保持选项，把上一页结果作为下一页上下文，适合跨页表格，但会变慢。
• Node 版支持用 JSON Schema 做结构化字段抽取，可选择只抽数据或按页抽取；Python 版此功能待核查。
• 支持 OpenAI、Azure OpenAI、AWS Bedrock、Google Gemini；Python 版另经 LiteLLM 支持 Anthropic、Vertex AI 等，具体模型名与可用性需按各自文档核查。

输入与输出

输入是文件路径或文件 URL，加上所用模型提供方的凭据。输出包含逐页 Markdown 内容、页数、耗时、输入输出 token 等元信息；可指定目录把合并后的 Markdown 存成文件。

获取与使用步骤

1. 按官方 README 安装对应包（Node 或 Python），具体命令以官方文档为准。
2. 准备系统依赖：Node 版依赖 GraphicsMagick 与 Ghostscript，Python 版依赖 poppler 并需在 PATH 中可用。
3. 配置所选模型提供方的 API Key 或云凭据。
4. 在代码中调用主函数，传入文件路径和凭据，按需设置并发数、页码、模型等参数。
5. 示例任务：把一份含跨页表格的 PDF 教材转成 Markdown，开启格式保持，只处理前 10 页；或用 schema 从一批发票中抽取金额、日期、开票方。

运行环境与费用

需要 Node.js 或 Python 运行环境，以及上述图像转换依赖；版本与最低系统要求待核查。必须自备第三方视觉模型 API，会产生按 token 计费的调用成本，具体价格以各提供方为准；在线演示的费用与限制待核查。

国内访问、隐私与许可

国内网络能否直接调用 OpenAI、Gemini、Bedrock 等服务取决于这些服务的可用性，待核查；官方资料未声明兼容国内模型。文档图片会发送到所选第三方模型服务，涉密或含个人信息的文档需先评估合规与数据出境要求。仓库代码采用 MIT 许可证；所调用的模型权重、云服务与 LibreOffice、GraphicsMagick 等依赖各有其条款，需分别核对。项目未标注归档，维护活跃度以仓库实际状态为准。

来源与使用边界

官方仓库：https://github.com/getomni-ai/zerox

资料版本：https://github.com/getomni-ai/zerox/blob/91bbb20c50de86067670aa13833afa1b8a73c22e/README.md

维护方：getomni-ai/zerox；采集日期：2026-11-13。依据官方资料经AI整理，本站未安装、运行或实测。

许可标识：MIT，具体范围以原始许可文件为准；代码、模型权重、依赖及在线服务适用各自条款。开源不代表模型调用、托管或商业服务免费。国内访问、硬件及模型适配条件未经本站验证。