首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >扫描件不再难编辑:用视觉大模型 API 把 PDF 和截图转成 Markdown

扫描件不再难编辑:用视觉大模型 API 把 PDF 和截图转成 Markdown

原创
作者头像
用户12853052
发布于 2026-11-20 14:54:48
发布于 2026-11-20 14:54:48
220
举报

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。

代码:PDF 每页转 Markdown

python

代码语言:javascript
复制
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。

实操要点

  • 先试 3 页再跑全本:视觉调用按 token 计费,图片分辨率直接决定成本,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;
  • 识别质量排序大致是:清晰印刷体 > 截图 > 拍照件 > 手写。歪斜、阴影、反光对效果的伤害比模型选型大,拍照先裁正;
  • 专用 OCR 模型更便宜:以本文用的巨蓝鲸AI 为例,站内有专门的 OCR 模型,倍率只有 0.175,比通用视觉模型低不少——纯文字、不含表格公式的页面用它跑,混合版面的页面再交给视觉模型,成本能砍一半以上;
  • 数字、日期、金额是重灾区,识别结果必须抽查——发票、合同这类数字敏感的场合,人工核对不是可选项。

边界

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。

小结

“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。

目录
  • 代码:PDF 每页转 Markdown
  • 实操要点
  • 边界
  • 小结
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档