企业官网建设流程全解析

GLM-OCR实战：如何把一份PDF从图片变成结构化Markdown

【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCR

📄 如果你正在找一款能快速把 PDF 变成结构化 Markdown 的 OCR 工具，那么 GLM-OCR 值得放进你的工具箱。GLM-OCR 是一款面向复杂文档理解的多模态 OCR 模型，它能把扫描件、拍照件甚至整份 PDF 逐页转成带表格、公式（LaTeX）和版式坐标的结构化 Markdown，总参数量仅 0.9B，支持云端 API 与本地自部署，是新手上手文档结构化成本很低的"高精度 × 快 × 全面"方案。

为什么选 GLM-OCR：不止"识别文字"

传统 OCR 往往只吐出一堆纯文本，段落错位、表格散架、公式变成乱码。GLM-OCR 走的是"两阶段"路线：

1. 版面分析：基于 PP-DocLayout-V3 先找出页面上的文本、表格、公式、图片等区域；
2. 并行识别：把每个区域裁剪后并行送入视觉语言模型识别，再按阅读顺序合并。

关键特性一览：

• 🏆 在 OmniDocBench V1.5 上取得 94.62 分，综合排名第一
• 🧩 复杂表格、代码密集文档、印章、手写体等真实高难场景表现稳定
• ⚡ 0.9B 参数，支持 vLLM、SGLang、Ollama 部署，推理成本低
• 📦 全面开源，提供完整 SDK 与 Web 应用，一行命令即可调用

原始输入文档（论文页图片）长这样，版面元素混杂着正文与数学公式：

三步流水线：PDF 是怎么变成 Markdown 的

GLM-OCR 的核心是一条三段式异步流水线，源码在 glmocr/pipeline/pipeline.py：

各模块可单独替换扩展：页面加载见 glmocr/dataloader/page_loader.py，版面检测见 glmocr/layout/layout_detector.py，结果格式化见 glmocr/postprocess/result_formatter.py。

下图是第②步的效果——版面上每个区域都被框出并标注类型：

最快上手：四步完成配置

第 1 步：安装 SDK

按场景选择最轻量的安装方式：

# 云端 API 模式（无需 GPU，安装最快） pip install glmocr # 本地自部署完整流水线（含版面分析） pip install "glmocr[selfhosted]"

第 2 步：安装 Poppler（PDF 转图片依赖）

PDF 输入依赖 Poppler 工具集（pdftoppm等）。参考 examples/example.py 中的检测逻辑，macOS 可执行brew install poppler，Linux 可用apt install poppler-utils。

第 3 步：准备 OCR 模型服务

三种方式任选其一，配置文件为 glmocr/config.yaml：

• MaaS 云端 API（推荐新手）：在config.yaml中启用pipeline.maas并填入 API Key，SDK 只负责转发请求，直接返回 Markdown + JSON 版面详情，本地无需 GPU
• vLLM / SGLang 自部署：本地起模型服务，SDK 跑完整流水线，数据完全可控
• SDK Server + Client：GPU 机器上跑服务，其他机器免 GPU 远程调用

第 4 步：一行命令解析

# 解析整份 PDF，结果输出到指定目录 glmocr parse 文档.pdf --output ./results/ # 也可以直接解析目录里所有图片 glmocr parse examples/source/

Python 调用同样简洁：from glmocr import parse，result = parse("文档.pdf")后调用result.save()即可（见 glmocr/api.py）。

读懂结果：.md、.json 和版面可视化

解析完成后，输出目录会生成三类产物：

results/ └── 文档名/ ├── 文档名.md # 结构化 Markdown（正文 + 表格 + LaTeX 公式） ├── 文档名.json # 逐元素的结构化数据 └── layout_vis/ # 版面检测可视化图片

其中.json是"结构化"的关键。每个元素都有index、label（文本/公式/表格）、content和bbox_2d（像素坐标），例如论文页的输出节选自 examples/result/paper/paper.json：

{ "index": 2, "label": "formula", "content": "$$\\sum_{i=1}^{n} x_i \\frac{\\partial R}{\\partial x_i} = d R.$$ ", "bbox_2d": [234, 200, 341, 234] }

对应的 Markdown 版本见 examples/result/paper/paper.md——公式已转为可渲染的 LaTeX。坐标信息则让你可以反向定位原文位置，比如做"原文 ↔ 识别结果"高亮联动。

实战：一份 41 页 PDF 的解析效果

仓库自带了一份 41 页的真实 PDF 测试文档（examples/source/GLM-4.5V.pdf），解析结果完整保存在 examples/result/GLM-4.5V/，包括 41 页的 Markdown、JSON 和逐页版面可视化。下图是其中一页的检测结果，段落、公式、图表区域都被准确划分：

多元素混合页面同样不在话下，比如财务报表中的大表格：

表格会被输出为带<thead>/<tbody>的 HTML 表格，数据一个不少（见 examples/result/table/table.json）。

覆盖更多真实场景

GLM-OCR 针对真实业务痛点做了优化，仓库examples/result/下有对应的效果展示：

• ✍️手写文档：见 examples/result/handwritten/handwritten.md

• 🔒印章识别：见 examples/result/seal/seal.md
• 📊代码截图：见 examples/result/code/code.md
• 🧪化学式微调：还附了基于 LLaMA-Factory 的微调示例，见 examples/finetune/README_zh.md

进阶：开箱即用的 Web 应用 🚀

不想敲命令行？仓库内置了一套完整的 Web 文档处理应用：FastAPI 异步后端 + React 前端，支持上传 PDF → 实时进度跟踪 → 页面级高亮联动 → Markdown 预览/导出，还带任务队列、自动重试与多 Worker 并发（架构说明见 apps/backend/README.md）。

# 用 Docker 一键启动前后端 bash apps/start-docker.sh # 或本地开发模式 bash apps/start-local.sh # 前端 http://localhost:5173，后端 API 文档 http://localhost:8000/docs

其中 PDF 转图片步骤的实现在 apps/backend/app/core/steps/pdf_to_image.py，结果合并步骤在 apps/backend/app/core/steps/merge_results.py，想定制流程可以从这里入手。

此外，GLM-OCR 还支持 Agent Skill 模式：pip install glmocr+ 配置 API Key，即可让 AI 助手直接把"提取这张图片/这份 PDF 的文字"这类任务委托给 GLM-OCR，详见 skills/glmocr/SKILL.md。

小结

一句话总结：装好 SDK、配好模型服务、执行glmocr parse 你的文档.pdf，几分钟后你就拿到一份干净的结构化 Markdown 和可定位每个元素的 JSON——这就是 GLM-OCR 把"图片 PDF 变结构化文档"的全部成本。

【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCR