还在为复杂的文档排版和表格发愁吗？还在被传统OCR的识别错误搞得头大吗？别担心，开源项目 getomni-ai/zerox 带着它的AI视觉模型来拯救你了！它就像一位拥有火眼金睛的文档解析大师，能轻松搞定各种文档，并将其转化为结构化的Markdown文本，方便后续的AI处理。

一、项目简介：Zerox是什么？

Zerox是一个开源项目，其核心目标是简化文档的OCR（光学字符识别）过程，特别是针对那些排版复杂、包含表格、图表等元素的文档。它巧妙地利用了强大的AI视觉模型（如GPT-4o），让文档解析不再是难题。简单来说，你只需提供一份文档，它便能返回一份结构清晰的Markdown文本，是否让你感到惊奇？

二、核心功能：Zerox的独门秘籍

Zerox的工作流程可以概括为以下几个步骤：

1. 输入文件： 你可以给它任何类型的文档，比如PDF、DOCX、图片等，它都能接招。
2. 转换为图片： Zerox会将文档转换为一系列图片，以便后续处理。
3. AI视觉模型处理： 接下来，它会调用AI视觉模型（如GPT-4o）对每张图片进行分析，提取出文本内容，并将其转换为Markdown格式。
4. 整合输出： 最后，Zerox会将所有页面的Markdown文本整合起来，返回给你一个完整的Markdown文档。

是不是感觉像在看魔术表演？但Zerox可不是魔术，它是实实在在的科技！

三、部署方式：Zerox的两种打开方式

Zerox提供了两种部署方式，以满足不同开发者的需求：

1. Node.js 版本

如果你是Node.js的忠实粉丝，可以通过npm安装Zerox：

npm install zerox

安装完成后，请确保你的系统安装了 graphicsmagick 和 ghostscript 这两个依赖项。在Linux系统上，你可以使用以下命令安装：

sudo apt-get update
sudo apt-get install -y graphicsmagick

2. Python 版本

如果你更喜欢Python，可以通过pip安装Zerox：

pip install py-zerox

Python版本需要安装 poppler，具体安装方法可以参考 pdf2image文档。

四、使用方式：Zerox的正确打开姿势

1. Node.js 版本

(1) 使用文件URL

import { zerox } from "zerox";

const result = await zerox({
  filePath: "https://omni-demo-data.s3.amazonaws.com/test/cs101.pdf",
  openaiAPIKey: process.env.OPENAI_API_KEY,
});

(2) 使用本地文件路径

import path from "path";
import { zerox } from "zerox";

const result = await zerox({
  filePath: path.resolve(__dirname, "./cs101.pdf"),
  openaiAPIKey: process.env.OPENAI_API_KEY,
});

(3) 可选参数

Zerox还提供了许多可选参数，你可以根据自己的需求进行配置，比如：

• cleanup: 是否在运行后清理临时图片文件。
• concurrency: 并发处理的页面数量。
• correctOrientation: 是否自动校正页面方向。
• errorMode: 错误处理模式。
• maintainFormat: 是否保持格式一致性。
• model: 使用的AI模型（如 gpt-4o-mini 或 gpt-4o）。
• onPostProcess 和 onPreProcess: 页面处理前后的回调函数。
• outputDir: 输出Markdown文件的目录。
• pagesToConvertAsImages: 需要转换为图片的页面。
• tempDir: 临时文件目录。
• trimEdges: 是否裁剪边缘。

2. Python 版本

from pyzerox import zerox
import os
import asyncio

# ... (模型配置部分，请参考原文)

async def main():
    file_path = "https://omni-demo-data.s3.amazonaws.com/test/cs101.pdf"
    output_dir = "./output_test"
    result = await zerox(file_path=file_path, model=model, output_dir=output_dir, **kwargs)
    return result

result = asyncio.run(main())
print(result)

Python版本的使用方式与Node.js版本类似，也提供了许多可选参数，比如：

• cleanup: 是否清理临时文件。
• concurrency: 并发进程数。
• file_path: 文件路径。
• maintain_format: 是否保持格式。
• model: 使用的AI模型。
• output_dir: 输出目录。
• temp_dir: 临时文件目录。
• custom_system_prompt: 自定义系统提示词。
• select_pages: 选择处理的页面。
• kwargs: 传递给 litellm.completion 的额外参数。

五、支持的文件类型

Zerox支持多种文件类型，包括：

• PDF
• DOC/DOCX
• ODT/OTT
• RTF
• TXT
• HTML/HTM
• XML
• WPS/WPD
• XLS/XLSX
• ODS/OTS
• CSV/TSV
• PPT/PPTX
• ODP/OTP

基本上，你日常工作中遇到的文档类型，Zerox都能轻松应对。

六、总结

Zerox是一个功能强大、易于使用的开源OCR项目，它利用AI视觉模型，为文档解析带来了全新的解决方案。无论你是Node.js开发者还是Python爱好者，都可以轻松上手，让文档处理变得更加高效。如果你还在为文档解析而烦恼，不妨试试Zerox，它可能会给你带来意想不到的惊喜！

友情提示： Zerox的背后功臣是 Litellm，它为Python SDK提供了强大的AI模型支持。

最后，别忘了Zerox是MIT开源协议的，你可以放心大胆地使用它！

#头条创作挑战赛##github##开源##人工智能#