privatenumber/mac-ocr

解決的問題

mac-ocr 是一個 macOS 上的命令列工具與 Node.js API，支援在本地、私密環境下進行 OCR（光學字元辨識）。使用者無需將資料上傳至外部伺服器，即可從影像與 PDF 中提取文字，為 AI 代理與使用者提供免費且注重隱私的雲端視覺權杖替代方案。

工作原理

此工具為原生 Swift 二進位檔，利用 Apple 的 Vision 框架（VNRecognizeTextRequest 與 RecognizeDocumentsRequest）在裝置上本地處理影像與 PDF。對於可搜尋的 PDF，它使用 Core Graphics 與 Core Text 在原始影像上繪製一個不可見的文字層，將文字精確放置於 Vision 框架偵測到的位置。

適用對象

• 開發者：希望透過在本地執行 OCR，而非使用多模態大模型，來降低 AI 代理的開發成本。
• macOS 使用者：需要將掃描文件或影像轉換為可搜尋、可選擇的 PDF 或純文字/JSON 檔案的使用者。
• Node.js 開發者：希望透過類型化 API 將本地 OCR 功能整合至應用程式的開發者。

主要特色

• 隱私優先：完全在裝置上執行，無資料上傳。
• 可搜尋 PDF：將影像或掃描 PDF 轉換為帶有可選擇文字層的 PDF。
• 結構化資料：支援提取段落、表格與清單（macOS 26+）。
• 彈性輸出：支援純文字、JSON 與 JSONL（用於串流處理大型文件）。
• 分區 OCR：一種進階策略，透過遞迴分割大頁面，恢復標準全頁處理可能遺漏的小文字。
• 跨套件支援：以 npm 套件形式發佈，內含預先建置的二進位檔，安裝無需 Xcode 或 Swift 工具鏈。