工具集

OpenDataLab 出品的文档解析工具，把 PDF、图片与 Office 文档转成 Markdown 或 JSON，擅长表格、公式与复杂版面，支持 agent 按页续读与引用定位。默认本地解析，需要 Python 3.10 以上。

百度飞桨官方的 OCR 与文档解析工具：paddleocr 命令可识别图片文字，并把 PDF、扫描件解析成 Markdown 或 JSON，支持中文等 100 多种语言，模型可在本地运行。

飞桨 PaddleOCR 官方 MCP：对图片和 PDF 做文字识别与版面解析（PP-OCR、PP-StructureV3、PaddleOCR-VL），输出文本或 Markdown；可本地推理，也可调用官方 API、千帆或自建服务。

经典开源 OCR 引擎与命令行工具，识别图片中的文字并输出纯文本、hOCR、可搜索 PDF 或 TSV，支持 100 多种语言；中文等语言需安装对应的语言数据。

解析 PDF、DOCX、PPTX、XLSX、HTML、图片与音频等格式，还原版面、阅读顺序、表格与公式，导出 Markdown、HTML 或无损 JSON。IBM Research 发起，现由 LF AI & Data 基金会托管，可完全本地运行。

免费开源的离线 OCR 桌面软件，支持截图、批量图片、PDF 扫描件与二维码识别，可通过 umi-ocr 命令行或 HTTP 接口调用（命令行依赖软件内的本地 HTTP 服务，默认开启）。仅支持 Windows 与 Linux。

把 PDF、图片、PPTX、DOCX、XLSX、EPUB 等文档转换为 Markdown、JSON 或 HTML，能还原表格、公式与版面结构，可选接入大模型提升精度。需 Python 3.10+ 与 PyTorch；模型权重大规模商用需付费授权。

AI2 出品的 PDF 与扫描件转 Markdown 工具，基于视觉大模型，能处理公式、表格、手写和多栏排版，适合批量数字化论文和档案。本地运行需 12GB 显存以上的 NVIDIA 显卡；没有显卡可接入兼容 OpenAI 接口的远程推理服务（需 API Key，按量付费）。

识别视频里烧录的硬字幕并生成 SRT 或 TXT 文件，OCR 全在本地完成，支持中英日韩等 87 种语言。以图形界面为主（可批量），命令行版 backend/main.py 从标准输入读取视频路径和字幕区域。需要 Python 3.12+ 与 PaddlePaddle，路径不能含中文和空格。

把含数学公式、表格的图片或整份 PDF（含扫描件）识别成 Markdown 与 LaTeX，中英文效果好，支持 80 多种语言，适合教师把试卷、讲义数字化，学生整理笔记。开源的 Mathpix 替代品，在本机运行，需要 Python 环境。

在本机把 PDF、Word、PPT、Excel、EPUB、网页和图片转成干净的 Markdown，保留页码锚点、表格与双栏阅读顺序，并能跨文件夹全文搜索，便于核对合同、卷宗与论文原文。原名 pdf-reader-mcp；文件不上传、无需 API Key，本机需 Node.js 18+，扫描件 OCR 需另装 tesseract。

用自然语言描述就能得到排好版的 PDF：把手写笔记或扫描教材转成 LaTeX 讲义和速查表，出带答案的试卷，写论文、学位论文、学术海报、简历与信函，内置 27 个模板及图表、批量套打脚本。需安装 TeX Live 等依赖（附一键安装脚本）。

把网页、长 PDF、Word、图片或代码整理成导师式学习笔记，输出 Markdown 笔记和可搜索的 HTML 知识卡片，含概念拆解与思维导图，适合自学。需本机 Python 3.8+ 及依赖，部分网页要装 Chrome；可选的导师对话模式需自备 OpenAI 兼容 API Key。

在本机处理图片的 MCP：裁剪、缩放、旋转、加文字与水印、打码、去背景，识别图中物体并用 OCR 提取文字，图片不上传任何服务器，适合整理照片、扫描件与课件配图。需 Python 3.10 与 pipx，首次安装会下载识别模型。

MinerU 官方 MCP：调用 mineru.net 云端接口把 PDF、Word、PPT 与图片解析为 Markdown，保留表格与公式；免 Key 的 Flash 模式可直接使用，配置 Token 可解锁更高额度与更多格式。