OCRFlux:复杂排版 PDF 也能拆成 Markdown

最近翻到一个新开源的 OCR 工具，叫 OCRFlux，试完有点上头。

它干的事说起来不复杂：把 PDF 和图片里的文字扒下来，整理成干净的 Markdown。但真正想聊的是——它在复杂排版这件事上，确实能处。

平时拿到的 PDF 哪有那么规整？双栏论文、夹个表格、跨了好几页的大表、页脚页眉一堆乱七八糟的……传统 OCR 一碰就崩，输出要么顺序乱，要么表格只剩个壳。

OCRFlux 的解法是直接基于多模态大模型来理解页面，所以它能做到：

• 按自然阅读顺序识别文字，多栏、带插图、带侧边栏都不乱

• 解析复杂表格和公式，做学术的、对财报的尤其友好

• 自动丢掉页眉页脚，输出清爽

• 跨页表格和跨页段落自动合并，不用手动拼

官方在自家 benchmark OCRFlux-bench-single 上跑过分，跟 olmOCR-7B-0225-preview、Nanonets-OCR-s、MonkeyOCR 这些对比，EDS（编辑距离相似度）从 0.78~0.87 拉到 0.967，提升幅度肉眼可见。连一些潦草的手写体也能比较完整地提出来，这点源站测试时反复强调，确实有点东西。

仓库是 chatdoc-com/OCRFlux，目前 2.5k star、154 fork，Apache-2.0 协议，可以放心用。代码是 Python 的，主分支 main。还提供了在线 demo 和 Discord 频道，卡住了可以直接去问。

怎么上手？

仓库里给了模型权重和详细用法，基本流程：

1. 装环境，拉模型

2. 喂 PDF 或图片进去

3. 吐 Markdown 出来

支持整文件解析模式（推荐直接丢整本 PDF），也支持按页处理。临时想体验的，去官方 demo 点两下最快。

适合谁

• 经常啃论文 PDF 的学生、研究者

• 处理财报、合同、扫描件的运营/法务

• 想做 RAG / 知识库，但被 PDF 解析折磨过的开发者

• 想把一堆扫描文档批量转成 Markdown 的人

一句话：被 PDF OCR 折磨过的，OCRFlux 值得给它半小时。

对了，他们还配套放了一个 benchmark 数据集在 Hugging Face 上，叫 ChatDOC/OCRFlux-bench-single，想做对比实验的直接拿去用，省事。

开源项目：chatdoc-com/OCRFlux

免责声明：本文内容仅供学习与交流参考，不构成任何专业建议。文中观点及资料仅代表原作者；如涉及版权或内容问题，请联系处理。完整原文请点击文末「阅读原文」。