| name | bigmodel-ocr |
| description | 使用智谱 BigModel OCR API 对图片和 PDF 页面进行文字识别。 支持中英文混排、手写体、印刷体，内置内容级缓存避免重复请求。 输出为结构化 JSON（含逐页文本、token 估算、表格检测）。 当用户需要对 PDF 扫描件、证书图片、合同扫描页进行 OCR 文字识别时触发。 也适用于从营业执照、资质证书、身份证等材料图片中提取文字信息。
|
BigModel OCR 文字识别
概述
基于智谱 BigModel OCR API 的文字识别工具，专为中文文档场景优化。
支持 PDF 扫描件和图片文件，内置缓存机制，避免重复消耗 API 调用。
环境要求
- Python 3.9+
- 依赖包：
requests, PyMuPDF（PDF 场景需要）
- 环境变量：
BIGMODEL_API_KEY（智谱 API 密钥）
安装依赖：
pip install requests PyMuPDF
使用方式
1. OCR PDF 页面
对 PDF 的指定页面进行 OCR 识别：
python .claude/skills/bigmodel-ocr/scripts/bigmodel_ocr.py <pdf路径> --pages 1-3 --output ocr_result.json
参数说明：
<pdf路径>：PDF 文件路径--pages：页码范围，支持 1-3、1,3,5、1-3,7,10-12 等格式--output：输出 JSON 文件路径（不指定则输出到 stdout）--cache-dir：缓存目录（默认 .ocr_cache）--dpi：渲染 DPI（默认 300，越高越清晰但越慢）--tool-type：OCR 模式，hand_write（手写+印刷混合，默认）或 ocr（纯印刷体）
2. OCR 单张图片
直接对图片文件进行 OCR：
python .claude/skills/bigmodel-ocr/scripts/bigmodel_ocr.py <图片路径> --output ocr_result.json
支持的图片格式：JPEG、PNG、TIFF、BMP、WebP
3. 批量 OCR 多个文件
python .claude/skills/bigmodel-ocr/scripts/bigmodel_ocr.py file1.pdf file2.jpg file3.png --pages 1-5 --output ocr_result.json
对多文件逐一处理，结果合并输出。PDF 使用 --pages 指定页码，图片直接识别。
输出格式
{
"results": [
{
"source": "document.pdf",
"type": "pdf",
"pages": [
{
"page": 1,
"text": "识别出的文本内容...",
"tokens": 256,
"has_table": false,
"cached": false
}
]
},
{
"source": "cert.jpg",
"type": "image",
"pages": [
{
"page": 1,
"text": "证书文本内容...",
"tokens": 128,
"has_table": false,
"cached": false
}
]
}
],
"summary": {
"total_files": 2,
"total_pages": 3,
"success_pages": 3,
"failed_pages": 0,
"total_tokens": 384
}
}
与 MaterialHub 配合使用
典型流程：
- OCR 识别：使用本 skill 提取文档文字
- Claude 分析：Claude 阅读 OCR 文本，判断文档类型、提取关键信息
- 入库：调用 MaterialHub MCP 的
add_document 工具，带上分类结果直接入库
示例工作流：
# Step 1: OCR
python .claude/skills/bigmodel-ocr/scripts/bigmodel_ocr.py 营业执照.pdf --pages 1 --output ocr.json
# Step 2: 读取 ocr.json，Claude 分析内容，识别为营业执照，提取公司名等信息
# Step 3: 调用 MCP add_document 入库
缓存机制
- 基于文件内容哈希（文件大小 + 前 8KB SHA256），同一文件不会重复 OCR
- 缓存存储在
--cache-dir 指定目录（默认 .ocr_cache）
- 输出 JSON 中
cached: true 标识命中缓存的页面
- 清除缓存：删除缓存目录即可
注意事项
- BigModel OCR API 按调用次数计费，建议合理使用缓存
- 对于多页 PDF，建议只 OCR 关键页面（如前 3 页），避免不必要的消耗
hand_write 模式同时支持手写和印刷体，适合大多数场景- 图片分辨率越高识别越准确，PDF 默认 300 DPI 渲染
