文字锁在图片里,是很多人日常的隐形损耗:扫描版 PDF 复制不了,课堂拍照的笔记要手打,网页截图里的代码只能 OCR 出一堆断行。传统 OCR 工具能把字抠出来,但表格散架、代码丢缩进、公式变乱码。现在更省事的做法是把图片直接丢给视觉大模型,让它“看着图”输出结构化的 Markdown——表格还是表格,代码带缩进,公式是 LaTeX。而且走的是标准 vision 接口,任何 OpenAI 兼容端点都能跑,十几行代码的事。
下面用巨蓝鲸AI(api.julanjing.com)做演示——它上面既有 qwen 这类通用视觉模型,也有专用 OCR 模型;代码本身不挑端点,任何 OpenAI 兼容服务都能跑。
python
import base64, fitz # pip install pymupdffrom openai import OpenAI
client = OpenAI( base_url="https://api.julanjing.com/v1", # 任意 OpenAI 兼容端点 api_key="sk-xxxxxxxx",)
def page_to_md(pdf_path, page_no): pix = fitz.open(pdf_path)[page_no].get_pixmap(dpi=150) b64 = base64.b64encode(pix.tobytes("png")).decode() r = client.chat.completions.create( model="qwen2.5-vl-32b-instruct", messages=[{"role": "user", "content": [ {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}, {"type": "text", "text": "把页面内容完整转成 Markdown:表格用表格,公式用 LaTeX," "代码放代码块,不要添加任何解释"}, ]}], ) return r.choices[0].message.content
# 先转前 3 页验证效果和成本,再放量md = "\n\n".join(page_to_md("scan.pdf", i) for i in range(3))open("out.md", "w", encoding="utf-8").write(md)把scan.pdf换成截图路径、拍照笔记,同样能用——图片进、Markdown 出,公式和表格都保得住结构。
dpi=150 是清晰度和价格的红利区间,表格密集的页面可以单独提到 200;证件、合同、未公开的资料不要发给第三方端点,这是中转类服务的共同边界;个人笔记、公开资料、学习内容随意。大文档先估算页数乘单页成本,跑之前心里有数,别让一个 500 页的 PDF 偷走余额。
“图片里的字”和“能用的文字”之间的距离,从一套 OCR 后处理流程缩短成了一个 API 调用加一句提示词。真正值钱的不是识别本身,而是输出格式听话:要 Markdown 给 Markdown,要 JSON 给 JSON。扫描件、截图、拍照笔记,从此都是可编辑、可检索的文本。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。