它不靠传统 OCR 引擎，靠的是让 AI “看图写话

你有没有过这种时候：收到一份带复杂排版的 PDF，想把里面的数据粘进 Excel，结果复制出来全是错行、乱码、空格堆成山？

或者手头有张扫描件，上面是财务报表、课程表、合同条款——你只想提取文字，但主流 OCR 工具要么识别不准，要么直接把表格拍成一坨文字塞给你。

你其实不缺工具，缺的是「能看懂文档视觉结构」的那一个。

比如一页横向排版的资产负债表，左边是科目名称，右边是三列数值。传统 OCR 只会按从左到右、从上到下的顺序硬读，结果把“货币资金”和“2023年期末”挤在同一行，后面跟着“2022年期末”又跳到下一行。

而人眼一看就知道：这是表格，有列对齐，有跨页标题，有合并单元格。真正需要的不是“字在哪”，而是“这块内容在整页里扮演什么角色”。

能替代什么 / 能省多少钱

它不卖软件，也不收年费。但它干的是过去得靠Adobe Acrobat Pro + ChatGPT 手动粘贴才能搞定的事：把 PDF、扫描图、甚至 DOCX 里的真实排版，原样转成可编辑的 Markdown。

“文档是视觉的，不是纯文本的”——这是它所有功能的出发点。

你不用再为单次 PDF 表格识别付 99 元/月的订阅费，也不用买高价 OCR 插件去对付带图、带公式的文件。官方没标价格，但它的能力边界，已经踩进了商业 OCR 服务最贵的那块地。

价格直接砍到零。

它不替代专业排版软件，但能绕过那些“必须先转 Word 再调格式”的中间步骤。比如高校老师整理历年试卷题库，PDF 里混着公式、图注、多栏排版，用它跑一遍，就能得到带 $$ 包裹的 LaTeX 数学式、带 ![](url) 的图引用、以及正确嵌套的 `

` 列表。

它能干什么

把扫描件 PDF 当成一张张图喂给大模型，让 GPT 或 Gemini 去“看图说话”，输出带标题、列表、表格结构的 Markdown，不是简单识别字，而是理解哪里是表头、哪里是备注、哪段该缩进。例如识别出 `
` 标签后自动补上 |—|—| 分隔线，而不是把表格内容压成连续段落。

支持 PDF、DOCX、JPG、PNG 等常见格式，连带水印、斜着扫的页面也能自动扶正，不用你手动旋转再重传。背后调用的是 correctOrientation: true 参数，基于图像边缘检测判断倾斜角度，再做仿射变换校正。

你可以指定只处理第 3 到第 5 页，也可以让每一页都单独生成一段 Markdown，方便后续做分页比对或人工校验。对应参数是 pagesToConvertAsImages: [3, 4, 5]（Node）或 select_pages=[3, 4, 5]（Python）。

如果你要提取固定字段（比如合同里的甲方、签约日期、金额），它支持用 JSON Schema 定义结构，直接返回结构化数据，跳过中间的手动整理环节。Node 版用 schema 字段传入，例如 { “type”: “object”, “properties”: { “partyA”: { “type”: “string” } } }。

它不强制你用 OpenAI，Azure、AWS Bedrock、Google Gemini 都能接，只要你有对应 API Key，就能用自己的账号跑，数据全程不出你的电脑。配置时只需在 credentials 对象里填 apiEndpoint 和 apiKey，不同服务商的 endpoint 地址在文档里列得清清楚楚。

Linux 下装起来特别干脆：一行命令装 Node 包，再一行命令装 graphicsmagick，之后就只管扔文件进去，连配置界面都没有。Windows 用户需额外装 Ghostscript，Mac 用户可用 brew install graphicsmagick ghostscript 一步到位。

怎么开始用

打开 GitHub 页面，点右上角绿色按钮 “Code” → “Download ZIP”，解压后双击运行（Linux 用户需先执行 sudo apt-get install -y graphicsmagick）。
注册一个免费的 OpenAI 或 Gemini 账号，拿到 API Key；把它填进配置文件或环境变量里，名字叫 OPENAI_API_KEY 或 GEMINI_API_KEY。注意：Key 必须带 sk- 或 AIzaSy 前缀，否则会报认证失败。
在终端里执行命令：npx zerox –filePath ./my-doc.pdf，等几秒，结果就输出成 Markdown 文本了，你可以直接复制进 Obsidian、Typora 或微信文档里编辑。如果想保存到文件，加个 –output ./out.md 参数就行。
遇到模糊扫描件？试试加 –imageDensity 400 提高截图精度；担心内存爆掉？用 –concurrency 3 限制同时处理页数；想保留原始图片用于复核？关掉 –cleanup 开关。