privatenumber/mac-ocr

解决的问题

mac-ocr 是一个 macOS 上的命令行工具和 Node.js API，支持在本地、私有环境下进行 OCR（光学字符识别）。用户无需将数据上传至外部服务器，即可从图像和 PDF 中提取文本，为 AI 代理和人类用户提供了一种免费且私密的云视觉令牌替代方案。

工作原理

该工具是一个原生 Swift 二进制文件，利用 Apple 的 Vision 框架（VNRecognizeTextRequest 和 RecognizeDocumentsRequest）在设备本地处理图像和 PDF。对于可搜索的 PDF，它使用 Core Graphics 和 Core Text 在原始图像上绘制一个不可见的文本层，将文字精确放置在 Vision 框架检测到的位置。

适用人群

• 开发者：希望减少成本，通过本地运行 OCR 而非使用多模态大模型来构建 AI 代理。
• macOS 用户：需要将扫描文档或图像转换为可搜索、可选择的 PDF 或纯文本/JSON 文件的用户。
• Node.js 开发者：希望通过类型化 API 将本地 OCR 功能集成到应用程序中的开发者。

主要亮点

• 隐私优先：完全在设备上运行，无数据上传。
• 可搜索 PDF：将图像或扫描 PDF 转换为带有可选择文本层的 PDF。
• 结构化数据：支持提取段落、表格和列表（macOS 26+）。
• 灵活输出：支持纯文本、JSON 和 JSONL（用于流式处理大文档）。
• 分块 OCR：一种高级策略，通过递归分割大页面，恢复标准全页处理可能遗漏的小文本。
• 跨包支持：以 npm 包形式发布，包含预构建二进制文件，安装无需 Xcode 或 Swift 工具链。