OCR 开源项目深度盘点：2025 年不容错过的 Top 10

OCR 技术能够将图像中的文字信息转换为可编辑和可处理的文本数据。简单来说，就是识别和提取图片上的文字。

接下来，我们将深入评测 GitHub 上 Star 数最多的 10 个 OCR 开源项目，为你提供一份详尽的 OCR 工具选择指南。

01 GOT-OCR 2.0：端到端多模态 OCR 模型

GOT-OCR 2.0 是一款开源的端到端多模态 OCR 模型，模型大小仅 1.43 GB。它不仅能识别和提取文本，还能处理数学公式、分子式、图表、乐谱、几何图形等多种内容，极大地拓宽了 OCR 技术的应用范围。

模型特点：

• 多模态支持： 除了常规文本，还能处理多种复杂内容。
• 轻量级模型： 模型大小仅 1.43 GB，易于部署。
• 端到端识别： 无需复杂的预处理和后处理流程。

优势： GOT-OCR 2.0 在处理复杂场景和多样化内容方面具有明显优势，适合需要处理多种类型文档的应用场景。

目前在 GitHub 上已经获得了 7.2K 的 Star！

开源地址：https://github.com/Ucas-HaoranWei/GOT-OCR2.0

02 InternVL：强大的开源多模态模型

InternVL 是由 OpenGVLab 团队开发的开源多模态大模型，旨在提供接近 GPT-4V 和 Gemini Pro 等商业模型性能的替代方案。

虽然 InternVL 属于视觉大模型，应用场景更广泛，例如图像理解，并非 OCR 领域的垂直模型，但它能够向下兼容 OCR 提取文字的场景。还有很多优秀的开源视觉大模型，本文暂不一一列举，仅以 InternVL 为例。

模型特点：

• 多模态能力： 支持图像理解、视觉问答等多种任务。
• 高性能： 接近商业模型的性能表现。
• 开源开放： 方便开发者进行二次开发和定制。

优势： InternVL 作为视觉大模型，在处理复杂图像和理解图像内容方面具有优势，同时也能满足 OCR 的基本需求。

目前已经获得了 7.2K 的 Star。

开源地址：https://github.com/OpenGVLab/InternVL

03 olmOCR：PDF 文档结构化处理专家

olmOCR 是由 AllenAI 开发的一款专注于 PDF 文档线性化处理的工具包，能将复杂布局的 PDF 转换为适合大语言模型（LLM）训练的结构化文本。

其核心目标是通过高效处理 PDF 的图文混排、多栏布局等问题，生成连贯的文本数据，提升 LLM 在真实场景中的文档理解能力。

技术细节：

• 布局解析： 准确识别 PDF 中的文本、图像、表格等多栏布局。
• 文本线性化： 将复杂的布局转换为适合 LLM 处理的线性文本序列。
• 内容重组： 解决跨页、跨栏等问题，保证文本的连贯性。

应用场景：

• 学术论文分析： 快速提取论文中的关键信息。
• 法律文档处理： 结构化提取合同、判决书等文档内容。
• 财务报表解析： 自动化提取财务数据和关键指标。

要求配置是最新的 NVIDIA GPU（在 RTX 4090、L40S、A100、H100 上测试），至少有 20 GB 的 GPU RAM，30GB 可用磁盘空间。

目前已经获得了 9.8K 的 Star！

开源地址：https://github.com/allenai/olmocr
在线演示：https://olmocr.allenai.org/

04 Zerox：AI 驱动的结构化文档转换工具

Zerox 是由 Omni-AI 团队开发的一款 AI 驱动的文档提取工具，可以将 PDF、图片、Docx 等格式的文档转换为结构化的 Markdown 文件。

优势：

• 无需训练： 与传统 OCR 工具不同，Zerox 无需提前训练模型即可处理复杂布局。
• 直接生成结构化内容： 基于视觉模型（如 GPT-4o-mini）实现 OCR 并直接生成结构化内容。
• 保留逻辑结构： 可识别学术论文的分栏排版、技术文档中的代码块、合同表格、试卷公式等，生成整洁的 Markdown。
• 对比传统OCR : Zerox省略了传统的布局分析，表格结构还原等步骤，直接输出Markdown结果。

目前获得了 10.3K 的 Star！

开源地址：https://github.com/getomni-ai/zerox
体验地址：https://getomni.ai/ocr-demo

05 Surya：多语言文本及复杂文档结构识别

Surya 专注于多语言文本及复杂文档结构的识别，尤其以表格识别能力见长。

关键词：行级文本检测、布局分析（表格、图像、标题等检测）、阅读顺序检测、表格识别（检测行/列）、LaTeX OCR

主要特点：

1. 多语言支持： 支持 90 多种语言，包括中文、日语、阿拉伯语等复杂文字，以及英语、西班牙语等主流语言，适用于全球化场景的文档处理。
2. 表格识别优化： 能精准识别表格的行、列、单元格结构，包括旋转或复杂布局的表格，性能优于当前主流开源模型（如 Table Transformer）。
3. 复杂文档解析： 可检测文档中的标题、图片、段落等元素，并智能判断阅读顺序，避免输出内容混乱。

应用场景案例：

• 多语种文档数字化： 跨国公司处理多语种合同、报告等。
• 历史档案数字化： 处理包含复杂表格和布局的历史文档。
• 科研数据提取： 从学术论文中提取表格数据。

Surya 支持 CPU/GPU 运行，通过批量处理和图像预处理优化（如去噪、灰度化），显著提升识别速度，适用于企业级文档数字化需求。

目前在 GitHub 上已经获得了 16.8K 的 Star！

开源地址：https://github.com/VikParuchuri/surya

06 OCRmyPDF：为扫描版 PDF 添加可搜索文本层

这个开源工具，专为扫描版 PDF 文件（即 PDF 中全是图片，图片中的文字不可复制）添加可搜索、可复制的文本层。

应用场景：

• 档案数字化： 将扫描的纸质文档转换为可搜索的 PDF。
• 无障碍阅读： 为视障人士提供可访问的 PDF 文档。
• 信息检索： 方便从大量扫描文档中查找信息。

优势：

• 精准识别： 使用 Tesseract OCR 引擎，支持 100 多种语言。
• 图像优化： 自动校正倾斜页面、旋转错误页面，提升识别率。
• 批量处理： 利用多核 CPU 加速，可高效处理上千页文档。

OCRmyPDF 在处理扫描版 PDF 方面具有明显优势，且易于安装和使用，兼容 Linux、Windows、macOS 和 Docker。相比其他需要手动处理扫描文档的工具，OCRmyPDF 提供了更便捷的解决方案。

目前在 GitHub 已经获得了 20.7K 的 Star！

当打开图片型 PDF 时，会发现图片上的文字无法复制和搜索。OCRmyPDF 能将 OCR 文本层嵌入图片下方，支持高精度复制和搜索。

开源地址：https://github.com/ocrmypdf/OCRmyPDF
接入文档：https://ocrmypdf.readthedocs.io/en/latest/

07 Marker：PDF、图像等多格式文档转换

Marker 是由 Vik Paruchuri 开发的高效文档转换工具，可以将 PDF、图像、Office 文档及 EPUB 等格式快速转换为 Markdown、JSON 或 HTML。

优势： Marker 在高精度解析复杂内容（如表格、数学公式、代码块）和出色的处理速度方面表现突出，支持 GPU 加速，性能优于同类云服务（如 Llamaparse、Mathpix）。

应用案例：

• 学术论文转换： 将 PDF 论文转换为 Markdown，方便编辑和引用。
• 技术文档生成： 将包含代码和图表的文档转换为易于发布的 HTML 格式。
• 数据提取： 将表格和表单数据提取为 JSON 格式，方便后续处理。

Marker 可以调用大语言模型（如 Gemini、Ollama）优化结果，例如跨页表格合并、公式格式化、表单数据提取。

目前在 GitHub 上已经获得了 22.8K 的 Star。

开源地址：https://github.com/vikParuchuri/marker

08 EasyOCR：多语言文本识别工具库

EasyOCR 是由 JaidedAI 开发的开源 OCR 工具库，输入图片，返回提取出来的文字、对应位置坐标、置信度。

特点：

• 多语言支持： 支持 80 多种语言和多种文字系统（如中文、拉丁文、阿拉伯文）。
• 即用型： 提供预训练模型，无需额外训练即可快速部署。
• 灵活输入： 支持图片、字节流、URL 等多种输入形式。
• 简洁 API： 通过简洁的 API 输出文本内容、位置及置信度。
• CPU/GPU 兼容： 可根据硬件条件灵活选择运行环境。

模型训练： EasyOCR 基于 PyTorch 深度学习框架，采用 CRNN（卷积循环神经网络）模型结构，结合 CTC（Connectionist Temporal Classification）损失函数进行训练。

应用场景：

• 多语言文档识别： 适用于处理包含多种语言的文档。
• 自然场景文字识别： 可用于识别路牌、车牌等自然场景中的文字。
• 移动端 OCR： 模型轻量，适合在移动端部署。

EasyOCR 兼顾了开发者友好性和工业级应用需求，适用于多语言文档、自然场景文字等 OCR 场景。

目前在 GitHub 上获得了 26K 的 Star。

开源地址：https://github.com/JaidedAI/EasyOCR
Demo 地址：https://www.jaided.ai/documentai/demo

09 Umi-OCR：安装即用的离线 OCR 软件

这是一款免费、开源、离线的 OCR 文字识别软件，支持 Windows 7+ x64 和 Linux x64 系统，无需联网，下载即可本地运行。

关键词：本地软件解压即用，离线运行；截图 OCR；批量 OCR；

优势：

• 离线运行： 无需联网，保护用户隐私。
• 简单易用： 提供图形化界面，操作简单。
• 功能丰富： 支持截图 OCR、批量 OCR 等多种功能。
• 对比其他离线工具： 具有安装简单，无需配置运行环境的特点。

目前已经获得了 30.8K 的 Star 。

开源地址：https://github.com/hiroi-sora/Umi-OCR

10 Tesseract：OCR 领域的远古巨神

Tesseract 是一个功能强大且广泛应用的开源 OCR 引擎，能够将图像中的文字转换为可编辑的文本。

历史背景：

• 1985 年至 1994 年间由 惠普 实验室开发。
• 1996 年后被移植到 Windows 系统。
• 2005 年 惠普 将其开源。
• Google 赞助，是知名度比较高的开源 OCR 系统之一。

技术特点：

• 深度学习技术： 使用先进的深度学习技术（如卷积神经网络）进行字符识别，精度较高，尤其在处理质量较好的扫描图像时表现优异。
• 多语言支持： 支持超过 100 种语言的文本识别。

对比其他引擎： Tesseract 历史悠久，社区活跃，文档完善，但在处理复杂布局和低质量图像方面可能不如一些新兴的 OCR 引擎。

还有一个 JavaScript 版本的 Tesseract OCR：Tesseract.js，但经过实际测试，发现 JS 版本对中文的支持效果并不理想。

目前在 GitHub 上已经获得了 65.3K 的 Star 。

开源地址：https://github.com/tesseract-ocr/tesseract
开源地址：https://github.com/naptha/tesseract.js