Doc-OCR 文档文字识别

PDF / 扫描件 / 图片 → 可编辑文字。有文字层的 PDF 直接提取，扫描件自动 OCR（macOS Vision 自带，中英文）。

触发条件

用户提供 PDF/图片文件，要求：

• "提取文字""转文字""OCR"
• 处理扫描件、合同、发票、书页、截图

使用步骤

1. 单个文件

python3 scripts/dococr.py 合同.pdf
python3 scripts/dococr.py 发票.jpg

输出保存为 <输入名>_ocr.txt。

2. 批量目录

python3 scripts/dococr.py ./扫描件/ -o 全部.txt

3. Markdown 输出

python3 scripts/dococr.py 书.pdf --md

依赖（首次使用时安装）

pip3 install pymupdf pyobjc-framework-Vision

注意：OCR 依赖 macOS Vision（仅 macOS 可用）。Linux 需另装 tesseract 等引擎。

已知陷阱

• 扫描件判定：PDF 文字层 <20 字自动走 OCR，正常 PDF 直接提取。
• 手写体：Vision 对印刷体/清晰手写效果好，潦草手写不保证。
• 隐私卖点：文件在本机处理，不上传第三方。