Bigmodel Ocr

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  --pages 1-3 --output ocr_result.json

参数说明：

• ``：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  --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：

1. OCR 识别：使用本 skill 提取文档文字
2. Claude 分析：Claude 阅读 OCR 文本，判断文档类型、提取关键信息
3. 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

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: youyouhe
• Source: youyouhe/bidsmart-claude-skills
• License: MIT

Install and usage instructions live in the source repository linked above.