PDF OCR Tool - Intelligent PDF to Markdown Converter

Uses the Ollama GLM-OCR model to intelligently recognize text, tables, and figures in PDF pages, applying the most appropriate prompts for OCR processing and outputting structured Markdown documents.

Features

- ✅ Smart Content Detection: Automatically identifies page content type (text/table/figure)
✅ Mixed Mode: Splits pages into multiple regions for processing different content types
✅ Multiple Processing Modes: Supports text, table, figure, mixed, and auto modes
✅ PDF Page-by-Page Processing: Converts PDF to images and processes each page
✅ Image OCR: Supports OCR for single images
✅ Custom Prompts: Adjustable OCR prompts based on requirements
✅ Flexible Configuration: Customizable Ollama host, port, and model
✅ uv Package Management: Uses uv for Python dependency management

Installation

1. Prerequisites

CODEBLOCK0

2. Install with uv (Recommended)

CODEBLOCK1

3. Install via ClawHub

CODEBLOCK2

4. Manual Installation

CODEBLOCK3

Usage

Basic Usage

CODEBLOCK4

Advanced Configuration

CODEBLOCK5

Environment Configuration

CODEBLOCK6

Processing Modes

Mode	Description	Use Case
INLINECODE0	Auto-detect content type	General use (default)
INLINECODE1

Mixed Mode (Granularity)

When using --granularity region:

- Page is split vertically into multiple regions (default: 3)
Each region is independently analyzed for content type
Corresponding prompts are used for OCR
Final results are combined into complete Markdown

Output Format

PDF Output Example

CODEBLOCK7

Image Output Example

CODEBLOCK8

Prompt Templates

The tool includes four built-in prompt templates in the prompts/ directory:

Text Mode (`prompts/text.md`)

CODEBLOCK9

Table Mode (`prompts/table.md`)

CODEBLOCK10

Figure Mode (`prompts/figure.md`)

CODEBLOCK11

Using in OpenClaw

CODEBLOCK12

Troubleshooting

Model Not Installed

CODEBLOCK13

Service Not Running

CODEBLOCK14

Missing pdftoppm

CODEBLOCK15

Poor OCR Results

- Try different modes: --mode text or INLINECODE11
Use custom prompts: INLINECODE12
Check image quality (resolution, clarity)
Try mixed mode: INLINECODE13

Dependency Issues

CODEBLOCK16

Related Resources

Version History

- v1.2.0 - English prompts, install-deps.sh, fixed .gitignore
v1.1.0 - Added mixed mode, region splitting, pyproject.toml
v1.0.0 - Initial version with basic OCR functionality

Credits

This tool is developed and maintained by the OpenClaw community.

License

MIT License

PDF OCR 工具 - 智能PDF转Markdown转换器

使用Ollama GLM-OCR模型智能识别PDF页面中的文本、表格和图形，应用最合适的提示词进行OCR处理，并输出结构化的Markdown文档。

功能特性

- ✅ 智能内容检测：自动识别页面内容类型（文本/表格/图形）
✅ 混合模式：将页面分割成多个区域，处理不同类型的内容
✅ 多种处理模式：支持文本、表格、图形、混合和自动模式
✅ PDF逐页处理：将PDF转换为图像并逐页处理
✅ 图像OCR：支持单张图像的OCR识别
✅ 自定义提示词：可根据需求调整OCR提示词
✅ 灵活配置：可自定义Ollama主机、端口和模型
✅ uv包管理：使用uv管理Python依赖

安装

1. 前置条件

bash

安装Ollama

curl -fsSL https://ollama.com/install.sh | sh
ollama pull glm-ocr:q8_0

安装poppler-utils（用于PDF转图像）

sudo apt install poppler-utils # Debian/Ubuntu brew install poppler # macOS

安装uv包管理器

curl -LsSf https://astral.sh/uv/install.sh | sh

2. 使用uv安装（推荐）

bash
cd skills/pdf-ocr-tool
uv venv
source .venv/bin/activate
uv add requests Pillow

3. 通过ClawHub安装

bash
npx clawhub install pdf-ocr-tool

4. 手动安装

bash

克隆或下载技能

git clone ~/.openclaw/workspace/skills/pdf-ocr-tool

创建虚拟环境并安装依赖

cd ~/.openclaw/workspace/skills/pdf-ocr-tool uv venv source .venv/bin/activate uv add requests Pillow

运行安装后脚本

bash hooks/post-install.sh

使用方法

基本用法

bash

自动检测内容类型（推荐）

python ocr_tool.py --input document.pdf --output result.md

指定处理模式

python ocr_tool.py --input document.pdf --output result.md --mode text python ocr_tool.py --input document.pdf --output result.md --mode table python ocr_tool.py --input document.pdf --output result.md --mode figure

混合模式：将页面分割成区域

python ocr_tool.py --input document.pdf --output result.md --granularity region

处理单张图像

python ocr_tool.py --input image.png --output result.md --mode mixed

高级配置

bash

指定Ollama主机和端口

python ocr_tool.py --input document.pdf --output result.md \
--host localhost --port 11434

使用不同模型

python ocr_tool.py --input document.pdf --output result.md \ --model glm-ocr:q8_0

自定义提示词

python ocr_tool.py --input image.png --output result.md \ --prompt 将此表格转换为Markdown格式，保持行列对齐

保存图形区域图像

python ocr_tool.py --input document.pdf --output result.md --save-images

环境配置

bash

设置默认配置

export OLLAMA_HOST=localhost
export OLLAMA_PORT=11434
export OCRMODEL=glm-ocr:q80

运行

python ocr_tool.py --input document.pdf --output result.md

处理模式

模式	描述	使用场景
auto	自动检测内容类型	通用（默认）
text

混合模式（粒度）

使用 --granularity region 时：

- 页面垂直分割成多个区域（默认：3个）
每个区域独立分析内容类型
使用相应的提示词进行OCR处理
最终结果合并为完整的Markdown

输出格式

PDF输出示例

markdown

PDF转Markdown结果

总页数: 15
模型: glm-ocr:q8_0
模式: auto
生成时间: 2026-02-27T01:00:00+08:00

第1页

类型: mixed

区域1（文本）

[OCR识别的文本内容]

区域2（表格）

列1	列2
数据1	数据2

区域3（图形）

[图表描述]

图像输出示例

markdown

image.png OCR结果

模型: glm-ocr:q8_0
模式: table

[OCR识别结果]

提示词模板

工具在 prompts/ 目录中包含四个内置提示词模板：

文本模式（prompts/text.md）

将此区域中的文本转换为Markdown格式。

- 保留段落结构和标题层级
正确处理列表
保留数学公式
保持引用和参考文献格式

表格模式（prompts/table.md）

将此区域中的表格转换为Markdown表格格式。

- 保持行列对齐
保留所有数据和数值
处理合并单元格
保留表头和单位

图形模式（prompts/figure.md）

分析此区域中的图表或图像：

1. 图表类型（柱状图、折线图、饼图、流程图等）
标题和坐标轴标签
数据趋势和关键观察
重要数值和异常点

以Markdown格式描述。

在OpenClaw中使用

python
import subprocess
from pathlib import Path

处理PDF（自动模式）

subprocess.run([ python, skills/pdf-ocr-tool/ocr_tool.py, --input, /path/to/document.pdf, --output, /tmp/result.md, --mode, auto ])

读取结果

with open(/tmp/result.md, r) as f: markdown_content = f.read()

处理单张图像（表格模式）

subprocess.run([ python, skills/pdf-ocr-tool/ocr_tool.py, --input, /path/to/table.png, --output, /tmp/table.md, --mode, table ])

复杂PDF的混合模式

subprocess.run([ python, skills/pdf-ocr-tool/ocr_tool.py, --input, /path/to/mixed.pdf, --output, /tmp/mixed.md, --granularity, region, # 分割成区域 --save-images # 保存图形图像 ])

故障排除

模型未安装

bash ollama pull glm-ocr:q8_0

服务未运行

bash ollama serve

缺少pdftoppm

bash sudo apt install poppler-utils # Debian/Ubuntu brew install poppler # macOS

OCR效果不佳

- 尝试不同模式：--mode text 或 --mode mixed
使用自定义提示词：--prompt 您的提示词
检查图像质量（分辨率、清晰度）
尝试混合模式：--granularity region

依赖问题

bash cd skills/pdf-ocr-tool source .venv/bin/activate uv sync # 重新安装所有依赖

版本历史

- v1.2.0 - 英文提示词、install-deps.sh、修复.gitignore
v1.1.0 - 添加混合模式、区域分割、pyproject.toml
v1.0.0 - 初始版本，包含基本OCR功能

致谢

本工具由OpenClaw社区开发和维护。

许可证

MIT许可证

PDF智能识别

PDF智能识别

PDF OCR Tool - Intelligent PDF to Markdown Converter

Features

Installation

1. Prerequisites

2. Install with uv (Recommended)

3. Install via ClawHub

4. Manual Installation

Usage

Basic Usage

Advanced Configuration

Environment Configuration

Processing Modes

Mixed Mode (Granularity)

Output Format

PDF Output Example

Image Output Example

Prompt Templates

Text Mode (prompts/text.md)

Table Mode (prompts/table.md)

Figure Mode (prompts/figure.md)

Using in OpenClaw

Troubleshooting

Model Not Installed

Service Not Running

Missing pdftoppm

Poor OCR Results

Dependency Issues

Related Resources

Version History

Credits

License

PDF OCR 工具 - 智能PDF转Markdown转换器

功能特性

安装

1. 前置条件

安装Ollama

安装poppler-utils（用于PDF转图像）

安装uv包管理器

2. 使用uv安装（推荐）

3. 通过ClawHub安装

4. 手动安装

克隆或下载技能

创建虚拟环境并安装依赖

运行安装后脚本

使用方法

基本用法

自动检测内容类型（推荐）

指定处理模式

混合模式：将页面分割成区域

处理单张图像

高级配置

指定Ollama主机和端口

使用不同模型

自定义提示词

保存图形区域图像

环境配置

设置默认配置

运行

处理模式

混合模式（粒度）

输出格式

PDF输出示例

PDF转Markdown结果

第1页

区域1（文本）

区域2（表格）

区域3（图形）

图像输出示例

image.png OCR结果

提示词模板

文本模式（prompts/text.md）

表格模式（prompts/table.md）

图形模式（prompts/figure.md）

在OpenClaw中使用

处理PDF（自动模式）

读取结果

处理单张图像（表格模式）

复杂PDF的混合模式

Text Mode (`prompts/text.md`)

Table Mode (`prompts/table.md`)

Figure Mode (`prompts/figure.md`)