markitdown-glmocr 0.2.0

Intelligent PDF to Markdown converter using glmocr SDK

markitdown-glmocr

智能 PDF 转 Markdown 插件，使用 glmocr SDK（智谱 GLM-OCR）驱动的图片和表格提取。

特性

• 🔍 智能检测：自动识别每页内容类型（纯文本 vs 图片/表格）
• 📄 默认解析：纯文本页面使用 pdfplumber/pdfminer 提取，速度快、成本低
• 🤖 AI 增强：复杂页面（图片、表格）使用 glmocr SDK 转换为 Markdown
• ⚡ 一行调用：glmocr.parse("document.pdf") 完成 OCR，无需手动截图编码
• 📊 结构化输出：返回 Markdown + JSON 结构（含区域标签、边界框）

安装

# 基础安装
pip install markitdown-glmocr

# 安装 AI 功能
pip install markitdown-glmocr[glmocr]

配置

环境变量（推荐）

# 必需：智谱 API Key
export ZHIPU_API_KEY="your-zhipu-api-key"

# 可选
export GLMOCR_MODEL="glm-ocr"          # 模型名称
export GLMOCR_TIMEOUT="600"             # 请求超时（秒）
export GLMOCR_ENABLE_LAYOUT="true"      # 启用布局检测
export GLMOCR_LOG_LEVEL="INFO"          # 日志级别

配置优先级

构造函数参数 > 环境变量 > .env 文件 > config.yaml > 内置默认值

本地敏感配置

# 创建 .env 文件（自动读取）
echo "ZHIPU_API_KEY=your-api-key" > .env

使用方法

命令行（推荐）

# 1. 设置 API Key
export ZHIPU_API_KEY="sk-xxx"

# 2. 查看已安装插件
markitdown --list-plugins

# 3. 使用插件转换 PDF
markitdown -p document.pdf

# 4. 保存到文件
markitdown -p document.pdf -o output.md

Python API

from markitdown import MarkItDown
from markitdown_glmocr import GlmOcrConverter

# 方式1：自动从环境变量读取 ZHIPU_API_KEY
converter = GlmOcrConverter()
md = MarkItDown(enable_plugins=False)
md.register_converter(converter, priority=-1.0)
result = md.convert("document.pdf")
print(result.markdown)

# 方式2：手动传入 API Key
converter = GlmOcrConverter(api_key="sk-xxx")
md = MarkItDown(enable_plugins=False)
md.register_converter(converter, priority=-1.0)
result = md.convert("document.pdf")
print(result.markdown)

# 方式3：直接使用 glmocr SDK（更简单）
import glmocr
result = glmocr.parse("document.pdf")
print(result.markdown_result)  # Markdown 输出
print(result.json_result)      # 结构化 JSON（区域标签、边界框）

处理结果

import glmocr

result = glmocr.parse("report.pdf")

# 获取 Markdown
print(result.markdown_result)

# 获取结构化数据（按页分组）
for page_idx, page_regions in enumerate(result.json_result):
    print(f"Page {page_idx + 1}: {len(page_regions)} regions")
    for region in page_regions:
        print(f"  [{region['label']}] {region['content'][:60]}")

# 按标签筛选
tables = [r for r in result.json_result[0] if r["label"] == "table"]
formulas = [r for r in result.json_result[0] if r["label"] == "formula"]

# 保存到磁盘
result.save(output_dir="./output")

配置选项

GlmOcrConverter 参数

参数	类型	默认值	说明
api_key	str	环境变量 ZHIPU_API_KEY	智谱 API Key
timeout	int	1800	请求超时（秒）
enable_layout	bool	False	启用布局检测
force_ai	bool	False	强制所有页面使用 AI

环境变量

变量	说明	示例
ZHIPU_API_KEY	API Key（必需）	sk-abc123
GLMOCR_MODEL	模型名称	glm-ocr
GLMOCR_TIMEOUT	请求超时（秒）	600
GLMOCR_ENABLE_LAYOUT	布局检测	true
GLMOCR_LOG_LEVEL	日志级别	INFO

工作原理

PDF 输入
    │
    ▼
逐页分析内容类型
    │
    ├─ 纯文本页面 ──► pdfplumber 提取文本
    │
    └─ 复杂页面（图片/表格）
          │
          └─► glmocr.parse() 一行调用
                │
                ├─ 内置截图渲染
                ├─ 内置 base64 编码
                └─ 内置 OCR 识别
    │
    ▼
合并输出完整 Markdown

区域标签（json_result）

glmocr SDK 返回的结构化数据支持以下标签：

标签	说明
title	标题
text	正文文本
table	表格
figure	图片
formula	公式
header	页眉
footer	页脚
page_number	页码
reference	参考文献
seal	印章

技术架构

• glmocr: 智谱 OCR SDK，一行代码完成 PDF/图片解析
• pdfplumber: PDF 页面分析和纯文本提取
• pdfminer: 纯文本页面提取备用

依赖

• markitdown>=0.1.0 - 基础框架
• pdfplumber>=0.11.9 - PDF 解析和截图
• pdfminer.six>=20251230 - 文本提取备用
• Pillow>=9.0.0 - 图像处理
• glmocr - 智谱 OCR SDK（可选，AI 功能需要）

发布到 PyPI

前置条件

• 确保已安装 build 和 twine：

pip install build twine

• 确保环境变量 PyPI_API_Token 已设置为你的 PyPI API Token：

export PyPI_API_Token="pypi-..."

发布步骤

# 1. 进入项目根目录（包含 pyproject.toml）
cd packages/markitdown-glmocr

# 2. 构建分发包（生成 dist/ 目录下的 .tar.gz 和 .whl 文件）
python -m build

# 3. 检查包的元数据和内容
twine check dist/*

# 4. 上传到 PyPI（使用环境变量中的 Token 认证）
twine upload dist/* -u __token__ -p "$PyPI_API_Token"

发布到 TestPyPI（测试）

# 先上传到 TestPyPI 验证包是否正确
twine upload --repository testpypi dist/* -u __token__ -p "$PyPI_API_Token"

# 从 TestPyPI 安装验证
pip install --index-url https://test.pypi.org/simple/ markitdown-glmocr

注意事项

• 发布前确保 pyproject.toml 中的版本号已更新
• 同一版本号不能重复上传，如需修正必须 bump 版本号
• PyPI_API_Token 环境变量切勿硬编码到脚本或提交到代码仓库

许可证

MIT