baidu-unlimited-ocr

name	baidu-unlimited-ocr
description	使用百度智能云 Unlimited-OCR 进行文档解析 — 一次性长视野文档解析，支持图片、PDF、表格、手写体。 当用户需要从图片或 PDF 中提取文字、解析表格、识别文档内容时使用。 也适用于：发票识别、身份证识别、营业执照识别、试卷分析等场景。
license	MIT
metadata	{"version":"1.0","category":"ai-ocr-document","sources":["https://cloud.baidu.com/doc/OCR/s/fmr1p39gb"]}

Baidu Unlimited-OCR

调用方式

百度 OCR 支持两种调用方式，按当前环境自动选择：

方式一：MCP SSE（优先）

适用于支持 MCP SSE 传输的工具。

[[plugins]]
name    = "baidu-ocr-document"
type    = "http"
url     = "https://aip.baidubce.com/mcp/document/sse"
headers = { Authorization = "Bearer ${BAIDU_OCR_API_KEY}" }

方式二：REST API 直接调用（通用）

适用于不支持 MCP SSE 的工具（AutoClaw、Cursor 等），直接用 REST API + Base64 编码。

环境变量：

BAIDU_OCR_API_KEY=你的API Key
BAIDU_OCR_SECRET_KEY=你的Secret Key

调用流程：

import requests, base64, os

def baidu_ocr(image_path: str) -> dict:
    """百度 OCR 文档解析 — 直接 REST API 调用"""

    # 1. 获取 access_token
    token_url = "https://aip.baidubce.com/oauth/2.0/token"
    resp = requests.post(token_url, data={
        "grant_type": "client_credentials",
        "client_id": os.environ["BAIDU_OCR_API_KEY"],
        "client_secret": os.environ["BAIDU_OCR_SECRET_KEY"]
    }).json()
    token = resp["access_token"]

    # 2. 读取图片并 Base64 编码
    with open(image_path, "rb") as f:
        img_b64 = base64.b64encode(f.read()).decode()

    # 3. 调用文档解析 API
    url = f"https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis?access_token={token}"
    result = requests.post(url, data={
        "image": img_b64,
        "language_type": "CHN_ENG"
    }).json()

    return result

Shell 一行式（图片 OCR）：

# 获取 token
TOKEN=$(curl -s "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=$BAIDU_OCR_API_KEY&client_secret=$BAIDU_OCR_SECRET_KEY" | python3 -c "import sys,json; print(json.load(sys.stdin)['access_token'])")

# OCR 识别
curl -s "https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis?access_token=$TOKEN"   --data-urlencode "image=$(base64 -w0 image.png)"   --data-urlencode "language_type=CHN_ENG"

浏览器直接 API（手动测试）：

1. https://console.bce.baidu.com/iam/#/iam/apikey/list → 获取 Key+Secret
2. https://aip.baidubce.com/oauth/2.0/token → 换取 access_token
3. https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis → 提交图片

方式选择逻辑

检测当前是否有 MCP SSE 能力：
  ├── 有 → 使用 MCP SSE（方式一）
  └── 无 → 使用 REST API（方式二）

Supported Formats

• 图片格式： JPEG, PNG, BMP, TIFF
• 文档格式： PDF（多页自动转换）
• 文件上限： 建议不超过 4MB（受 MCP 协议限制）

Capabilities

基于百度智能云 Unlimited-OCR 模型（基于 DeepSeek-OCR 改进），支持：

功能	说明
文档解析	一次性长视野解析整页文档，保持版面结构
表格识别	自动识别表格结构，输出 HTML 表格
手写体识别	支持手写与印刷体混排场景
多页 PDF	自动将 PDF 转换为图片分批处理
版面分析	识别标题、段落、图表、表格等版面元素

Usage

Basic Document OCR

"解析这张图片中的文字：C:/document.png"
"提取这个PDF的内容：C:/report.pdf"
"识别这张发票上的信息：C:/invoice.jpg"

Structured Recognition

百度 OCR 还支持大量结构化识别场景（需使用对应 MCP 工具）：

场景	工具	返回字段
身份证	ocr_id_card	姓名、身份证号、地址、有效期等
营业执照	ocr_business_license	公司名、法人、信用代码、经营范围等
增值税发票	ocr_vat_invoice	发票号、金额、税额、购买方等
银行卡	ocr_bank_card	卡号、有效期、发卡行、卡片类型
车牌	ocr_license_plate	车牌号、地域编号

Workflow Integration

在工作流中，百度 Unlimited-OCR 作为多模态 MCP 的一种补充，在以下场景调用：

• 📋 规划阶段 — 用户提供纸质文档/手写需求/PDF 规格说明时，提取文字内容
• 💻 编码阶段 — 需要从文档截图中提取表格数据时
• 🧪 测试阶段 — 验证生成的文档/报表与原始设计是否一致
• 🔍 审查阶段 — 审查文档类项目的输出质量

Comparison with MiMo MCP

维度	Baidu Unlimited-OCR (API)	MiMo MCP (本地模型)
运行环境	无需 GPU，纯 API 调用	需 Node.js 运行时
核心能力	文档解析、OCR、结构化识别	通用多模态（图片/音频/视频/TTS）
文档识别	⭐ 更优（专用 OCR 模型）	通用能力
多模态	仅文字识别	图片/音频/视频/TTS 全支持
成本	按调用量计费	按 MiMo API Token 计费

Notes

• 不支持 Base64 内联图片输入，请提供文件路径或 URL
• 请求总大小建议不超过 4MB
• 大文档建议拆分处理
• API Key 从百度智能云控制台获取：https://console.bce.baidu.com/iam/#/iam/apikey/list
• 更多 MCP 工具列表参考：https://cloud.baidu.com/doc/OCR/s/8mmk82q0j