OCRight是一个功能强大的OCR识别工具，支持从PDF文件中提取图片并进行OCR识别，或将单个图片直接进行OCR识别，最终生成可编辑的文本文件。
OCRight/
├── app/ # Web应用部分
│ ├── api/ # API路由
│ ├── static/ # 静态文件
│ ├── templates/ # 模板文件
│ └── utils/ # 工具函数
├── cli/ # 命令行工具部分
│ ├── check_ollama.py # 检查Ollama服务
│ ├── extract_pdf_images.py # 提取PDF图片
│ ├── generate_epub.py # 生成EPUB文件
│ ├── generate_txt.py # 生成TXT文件
│ ├── get_ollama_models.py # 获取Ollama模型
│ ├── main.py # 命令行主入口
│ └── ocr_images.py # 处理图片OCR
├── .gitignore # Git忽略文件
├── config.py # 配置文件
├── README.md # 项目文档
├── requirements.txt # 依赖项
├── run.py # Web服务启动文件
└── user_config.json # 用户配置文件
- PDF文件：自动提取所有图片并进行OCR识别
- 图片文件：直接进行OCR识别，无需提取步骤
- PDF处理：提取图片 → 选择Ollama服务 → 选择模型 → OCR识别 → 生成TXT
- 图片处理：选择Ollama服务 → 选择模型 → OCR识别 → 生成TXT
- 命令行界面：适合脚本和自动化场景
- Web界面：现代化的用户界面，支持Web和移动端适配
- RESTful API：支持前后端分离架构
- 引导用户输入文件路径
- 支持拖放文件
- 智能默认选项，减少用户输入
- 实时显示处理进度
- 响应式设计，支持PC和移动设备
- 直观的文件上传和处理流程
- 实时处理状态和进度显示
- 支持直接在浏览器中预览识别结果
- 标签页分离：PDF拆分识别和单图片OCR识别分开操作
- 配置保存：自动保存Ollama服务地址和首选模型
- 智能模型选择：自动选择首选模型，也可手动选择
- 实时状态反馈：详细的错误处理和加载状态
- 停止功能：可随时停止正在进行的OCR任务
- 使用本地Ollama服务（默认）
- 手动输入Ollama服务地址和端口
- 自动测试Ollama服务连接
- 所有输出和中间产物保存在输入文件同级的输出目录
- 目录命名：{文件名}_output
- 支持断点续传，可继续处理未完成的OCR任务
- 按数字顺序处理图片，确保识别结果的顺序与原始PDF一致
- 克隆或下载本项目
- 安装依赖：
pip install -r requirements.txt
- 运行命令行工具：
python cli/main.py
- 输入PDF或图片文件路径，或直接拖放文件到命令行窗口
- 按照提示完成后续操作：
- PDF文件：
- 选择是否需要OCR转文字（默认是）
- 选择Ollama服务方式（默认使用本地）
- 选择模型（默认选择第一个）
- 图片文件：
- 选择Ollama服务方式（默认使用本地）
- 选择模型（默认选择第一个）
- PDF文件：
- 等待处理完成，生成的TXT文件会保存在输入文件同级的输出目录中
- 按回车键退出对话框
- 启动Web服务：
python run.py
- 打开浏览器访问
http://localhost:5000 - 按照Web界面提示操作：
- 选择功能：在顶部标签页选择"PDF拆分识别"或"单图片OCR识别"
- 上传文件：根据选择的功能，点击或拖放对应的文件到上传区域
- OCR设置：
- 输入Ollama服务地址（默认：http://localhost:11434）
- 点击"检查服务"按钮验证Ollama服务状态
- 选择可用的模型（系统会自动保存您的首选模型）
- 开始处理：点击"开始处理"按钮
- 查看结果：处理完成后，可以下载TXT和EPUB格式的结果文件，也可以在页面上预览OCR识别结果
- 新任务：点击"新任务"按钮开始新的OCR任务
- 停止任务：在处理过程中，可以点击"停止处理"按钮中止正在进行的OCR任务
OCRight提供了RESTful API接口，支持前后端分离架构。
GET /api/ollama/check?url=http://localhost:11434
GET /api/ollama/models?url=http://localhost:11434
POST /api/upload
Content-Type: multipart/form-data
POST /api/ocr
Content-Type: application/json
{
"file_path": "path/to/file",
"model": "llama3:8b",
"ollama_url": "http://localhost:11434"
}
GET /api/download?file_path=path/to/result
GET /api/config/get
POST /api/config/save
Content-Type: application/json
{
"url": "http://localhost:11434",
"model": "llama3:8b"
}
POST /api/ocr/stop/{task_id}
========================================
OCRight - PDF和图片OCR识别工具
========================================
第一步：请输入PDF或图片文件路径，或直接拖放文件到对话框
文件路径: C:\Documents\example.pdf
输出目录已创建: C:\Documents\example_output
开始从PDF中提取图片: C:\Documents\example.pdf
正在提取第 1 张图片...
正在提取第 2 张图片...
正在提取第 3 张图片...
提取完成，共提取 3 张图片
提取完成，图片保存在: C:\Documents\example_output\output_images
第二步：是否需要进行OCR转文字
1. 是 (默认)
2. 否
请选择 (1/2): 1
请选择ollama服务方式:
1. 使用本地ollama (http://localhost:11434) (默认)
2. 手动输入ollama地址和端口
请选择 (1/2): 1
正在测试本地ollama服务...
开始检查Ollama服务: http://localhost:11434
响应状态码: 200
Ollama服务正在运行
可用模型数量: 3
正在获取ollama模型列表...
发现 3 个可用模型:
1. llama3:8b
大小: 4.7 GB
格式: gguf
系列: llama3
2. mistral:7b
大小: 4.1 GB
格式: gguf
系列: mistral
3. deepseek-r1
大小: 6.2 GB
格式: gguf
系列: deepseek
默认使用第一个模型: llama3:8b
可用模型:
1. llama3:8b (默认)
2. mistral:7b
3. deepseek-r1
请选择模型编号 (默认 1): 1
第三步：开始进行OCR识别，使用模型: llama3:8b
使用Ollama服务地址: http://localhost:11434
开始进行OCR识别，使用模型: llama3:8b
使用Ollama服务地址: http://localhost:11434
发现 3 张图片
未发现现有结果文件，将从头开始处理所有图片
正在处理第 1/3 张图片: 1.jpg
请求接口: http://localhost:11434/api/generate
使用模型: llama3:8b
已完成第 1 张图片的识别
当前已处理 1 张图片
识别结果: 这是第一张图片的内容...
正在处理第 2/3 张图片: 2.jpg
请求接口: http://localhost:11434/api/generate
使用模型: llama3:8b
已完成第 2 张图片的识别
当前已处理 2 张图片
识别结果: 这是第二张图片的内容...
正在处理第 3/3 张图片: 3.jpg
请求接口: http://localhost:11434/api/generate
使用模型: llama3:8b
已完成第 3 张图片的识别
当前已处理 3 张图片
识别结果: 这是第三张图片的内容...
处理完成，共处理 3 张图片
结果已保存到: C:\Documents\example_output\ocr_results.json
开始生成TXT文件
TXT文件已生成: C:\Documents\example_output\ocr_results.txt
任务完成，输出文件：C:\Documents\example_output\ocr_results.txt
请按回车键退出对话框
========================================
OCRight - PDF和图片OCR识别工具
========================================
第一步：请输入PDF或图片文件路径，或直接拖放文件到对话框
文件路径: C:\Documents\example.jpg
输出目录已创建: C:\Documents\example_output
第二步：直接进行OCR识别
请选择ollama服务方式:
1. 使用本地ollama (http://localhost:11434) (默认)
2. 手动输入ollama地址和端口
请选择 (1/2): 1
正在测试本地ollama服务...
开始检查Ollama服务: http://localhost:11434
响应状态码: 200
Ollama服务正在运行
可用模型数量: 3
正在获取ollama模型列表...
发现 3 个可用模型:
1. llama3:8b
大小: 4.7 GB
格式: gguf
系列: llama3
2. mistral:7b
大小: 4.1 GB
格式: gguf
系列: mistral
3. deepseek-r1
大小: 6.2 GB
格式: gguf
系列: deepseek
默认使用第一个模型: llama3:8b
可用模型:
1. llama3:8b (默认)
2. mistral:7b
3. deepseek-r1
请选择模型编号 (默认 1): 1
第三步：开始进行OCR识别，使用模型: llama3:8b
使用Ollama服务地址: http://localhost:11434
开始进行OCR识别，使用模型: llama3:8b
使用Ollama服务地址: http://localhost:11434
正在识别图片: C:\Documents\example.jpg
处理单个图片文件: C:\Documents\example.jpg
未发现现有结果文件，将从头开始处理图片
正在处理图片: example.jpg
请求接口: http://localhost:11434/api/generate
使用模型: llama3:8b
已完成图片的识别
识别结果: 这是图片的内容...
处理完成，共处理 1 张图片
结果已保存到: C:\Documents\example_output\ocr_results.json
开始生成TXT文件
TXT文件已生成: C:\Documents\example_output\ocr_results.txt
任务完成，输出文件：C:\Documents\example_output\ocr_results.txt
请按回车键退出对话框
-
启动Web服务：
python run.py
-
访问Web界面：打开浏览器访问
http://localhost:5000 -
选择功能：点击顶部标签页选择"PDF拆分识别"或"单图片OCR识别"
-
上传文件：点击或拖放文件到上传区域
-
配置Ollama：输入服务地址并检查状态，选择模型
-
开始处理：点击"开始处理"按钮
-
查看进度：实时查看处理进度和状态
-
下载结果：处理完成后，下载生成的TXT和EPUB文件
- PDF图片提取：使用PyMuPDF库从PDF中提取所有图片
- OCR识别：使用Ollama API对图片进行OCR识别
- 文本生成：将OCR识别结果汇总成TXT文件
- 断点续传：支持继续处理未完成的OCR任务
- 跨平台：支持Windows、macOS和Linux系统
- 图片排序：按数字顺序处理图片，确保识别结果的顺序与原始PDF一致
- 错误处理：添加了重试机制，提高OCR识别的成功率
- GPU保护：每次识别完成后休息3秒，避免显卡过热
- 使用前请确保Ollama服务已启动
- 对于大型PDF文件，提取图片和OCR识别可能需要较长时间
- 识别效果取决于使用的模型和图片质量
- 生成的TXT文件会保存在输入文件同级的输出目录中
- Web服务默认运行在
http://localhost:5000
本软件采用MIT许可证，详见LICENSE文件。
如有问题或建议，请通过以下方式联系我们：
OCRight - 让OCR识别变得简单！