Pix2Text

开源 Python OCR 工具，基于 PaddleOCR + ONNX Runtime，支持中英文文字识别、数学公式识别、表格识别和版面分析，直接输出 Markdown。

简介

Pix2Text 是一个纯本地运行的开源 OCR（光学字符识别）工具，由 breezedeus 开发。它的核心定位是替代昂贵的视觉模型 API，在文字提取场景下提供更精准、更快、零成本的解决方案。

与 GPT-4o 等视觉模型相比，Pix2Text 专注于”看字”而非”看图”：它能逐字逐行精准提取文字，但在理解图表含义、描述图片内容方面不如视觉模型。最佳实践是两者配合——Pix2Text 负责文字/文档提取，视觉模型只处理图表/照片区域。

Pix2Text 的底层引擎是 PaddleOCR（通过 ONNX Runtime 推理），而非 PyTorch，这使得它可以在纯 CPU 环境下运行，部署体积也远小于需要 PyTorch 的方案。

关键信息

• 类型：工具（开源 Python 库）
• 领域：OCR · 文档处理 · AI 工具链
• 官方网站/地址：github.com/breezedeus/Pix2Text
• 定价/开源状态：开源免费，纯本地运行，不需要 API key
• 相关概念：PaddleOCR、ONNX Runtime、版面分析、LaTeX 公式识别

核心特性

文字识别能力

• 中英文文字识别：基于 PaddleOCR，支持中英文混合识别，逐字逐行精准提取
• 数学公式识别：将数学公式转换为 LaTeX 格式（LatexOCR 模块，可选依赖 PyTorch）
• 表格识别：识别表格结构，表格区域截图保存为图片并引用
• 版面分析：区分标题、正文、图片、表格等区域，理解文档结构
• Markdown 输出：recognize_page() + to_markdown() 直接生成结构化 Markdown

技术架构

• 核心引擎：PaddleOCR（通过 ONNX Runtime 推理），不需要 PyTorch
• 依赖链：ONNX Runtime、PaddleOCR、transformers、cnstd、cnocr、rapidocr 等
• 运行环境：纯 CPU 即可，不需要 GPU；支持 Docker 容器化部署
• Python 版本：推荐 Python 3.10

与视觉模型的对比

能力	Pix2Text	视觉模型 (GPT-4o)
文字提取	精准，逐字逐行	可能漏字改字
公式识别	转 LaTeX	经常出错
理解图意	不行	能描述”这是什么”
速度	快（本地 CPU）	慢（API 调用）
成本	免费	按 token 收费
隐私	本地处理	数据上传

安装方式

Docker 部署（推荐，避免依赖污染）：

docker build --network=host -t pix2text:latest .

pip 安装（不推荐，依赖解析可能卡死）：

pip install pix2text

基本用法

文字识别：

from pix2text import Pix2Text
p2t = Pix2Text()
result = p2t.recognize_text(img)  # img 为 PIL Image 对象

版面分析 + Markdown 输出：

page = p2t.recognize_page('/path/to/image.png')
md = page.to_markdown('/output/dir', markdown_fn='output.md')

PDF 多页处理：

pages = p2t.recognize_pdf('/path/to/file.pdf')
for i, page in enumerate(pages):
    page.to_markdown('/output/dir', markdown_fn=f'page_{i}.md')

适用场景

• 应该用 Pix2Text：批量处理产品图片、PDF 文档提取、扫描件文字识别、为 AI Agent 提供文字提取能力
• 应该用视觉模型：图表理解、示意图描述、照片内容分析
• 最佳搭配：Pix2Text 提取文字+布局 → 视觉模型只看图片区域 → 合并成完整文档

不同素材中的观点

• 2026-06-13-pix2text-docker-ocr-markdown：这篇素材认为 Pix2Text 是视觉模型的低成本替代方案，特别适合国内网络环境下的本地部署。核心价值在于：纯本地运行零成本、不需要 GPU、Docker 隔离避免依赖污染。文章详细记录了在国内环境下 Docker 构建的踩坑过程，提出了 --no-deps + 手动分批装依赖 + “容器内补装 + commit”的实用技巧。

实用信息

快速上手步骤

1. 配置 Docker 镜像源（国内环境必须，否则拉镜像超时）
2. 编写 Dockerfile（使用 --no-deps + 国内 pip 镜像源）
3. docker build --network=host -t pix2text:latest . 构建镜像
4. 补装缺失依赖：启动容器 → docker exec 补装 → docker commit
5. docker run --rm pix2text:latest python3 -c "from pix2text import Pix2Text; print('OK')" 验证

注意事项/避坑指南

• pip 依赖解析会卡死：用 --no-deps 跳过，手动分批装依赖
• optimum 版本锁定：Pix2Text 需要 optimum==1.24.0，2.x 去掉了 onnxruntime 子模块
• 中文 OCR 需要字体：容器内默认没有中文字体，需要挂载 Windows 字体 -v /mnt/c/Windows/Fonts:/fonts
• PyTorch 可不装：核心 OCR 不依赖 PyTorch，不装可省 2GB+，只有 LaTeX 公式识别需要
• Docker 镜像源必须在 GUI 改：WSL 里改 ~/.docker/daemon.json 不生效

相关页面

• Docker
• AI 编程开发