Folio-OCR

基于 GLM-OCR + Ollama 的三栏文档 OCR 工作台，专为书籍和文档的日常批量识别设计。

2026-06-18 · v3.4.0 已发布：新增 folio-ocr 命令、uvx 启动、GitHub Release 包构建、License、CI 和长 PDF 超时配置。查看 Release Notes。

视频演示：先看 B 站 1 分钟真实运行视频，快速理解“上传扫描件 → 本地 OCR → 可编辑/可导出”的完整流程。

30 秒看懂

Folio-OCR 解决的是一个很具体的问题：把扫描 PDF、书籍照片、试卷和文档图片批量转成可编辑文本，并尽量保留标题、正文、表格和导出结构。它默认本地运行，文档不需要上传到第三方 OCR 服务。

• 输入：PDF、PNG、JPG、GIF、BMP，可混合批量上传。
• 处理：PP-DocLayoutV3 做版面分区，GLM-OCR 通过 Ollama 做视觉 OCR。
• 输出：Markdown、TXT、Word .docx、EPUB。
• 适合：书籍数字化、扫描件整理、表格文档转写、离线/隐私敏感 OCR。

快速开始

方式一：uvx / pipx 直接运行

适合已经安装 Python 和 Ollama 的用户，不需要手动 clone 仓库：

ollama pull glm-ocr
uvx --from git+https://github.com/vorojar/Folio-OCR folio-ocr

然后打开浏览器访问：http://localhost:3000

也可以用 pipx：

pipx run --spec git+https://github.com/vorojar/Folio-OCR folio-ocr

方式二：Docker Compose 一键部署

适合想把 Ollama 和 Folio-OCR 一起放进容器的用户：

git clone https://github.com/vorojar/Folio-OCR.git
cd Folio-OCR
docker compose up -d
docker compose exec ollama ollama pull glm-ocr

完成后打开浏览器访问：http://localhost:3000

有 NVIDIA 显卡？编辑 docker-compose.yml，取消 deploy: 段落的注释即可启用 GPU 加速。

功能特性

OCR 核心

• 支持多种图片格式：PNG、JPG、GIF、BMP
• 支持 PDF 文件（PyMuPDF 2x 高分辨率拆页）
• 多文件混合上传（图片 + PDF 混选）
• 版面分析（Layout Detection）自动分区识别
• 相邻文本区域智能合并，减少 OCR 调用次数（11 区域 → 3 组，2.5x 加速）
• LaTeX 特殊字符自动转 Unicode（$\textcircled{1}$ → ①）
• 模型输出自动清理 ```markdown ``` 围栏

批量处理

• 一键「OCR All Pages」批量识别全部页面
• 实时进度条 + ETA 时间估算
• 随时可停（Stop 按钮立即中断当前请求）
• 选中页面时自动预识别下一页（Pre-OCR）

编辑与导出

• Edit / Preview 双模式切换
• Preview 模式原生渲染 HTML 表格和 Markdown
• 段落重排（Reflow）：合并因换行断开的段落
• 导出四种格式：.md（Markdown）、.txt（纯文本）、.docx（Word）、.epub（电子书）
• DOCX 导出基于 python-docx，真实 Word 文档，含分节符和页码
• 单页/全文一键复制

数据持久化

• SQLite 数据库（folio_ocr.db），文档和 OCR 结果服务重启不丢失
• 编辑内容 800ms 防抖自动保存
• 页面加载时自动恢复上次打开的文档
• 多文档管理：左侧面板上方文档列表，支持切换和删除

界面交互

• 三栏布局：页面缩略图 | 图片预览 | OCR 结果
• 右侧面板可拖拽调整宽度
• SSE 流式上传，逐页实时加载
• 版面区域双向高亮（点击图片框 ↔ 点击文本块）
• 全文搜索（Ctrl+F），跨页高亮 + 命中计数
• 键盘导航（↑↓ 切换页面）
• 暖色奶油/炭灰主题，中文字体适配

网络容错

• 所有网络请求带超时保护（按场景分档：5s ~ 300s）
• Toast 弹窗通知：保存失败、OCR 超时、加载错误等即时反馈
• Ollama 断开后 UI 不会冻住，超时后自动恢复可操作状态

Docker 常用命令

默认数据会保存到 Docker volume，重启服务不会丢失文档和 OCR 结果：

docker compose down          # 停止服务
docker compose up -d         # 重新启动（数据不会丢失）
docker compose logs -f app   # 查看应用日志
docker compose logs -f ollama # 查看 Ollama 日志

默认配置会让版面分析模型跑在 CPU 上，把 GPU 显存优先留给 Ollama。需要调整时可设置：

LAYOUT_DEVICE=cpu   # 默认值，最稳妥
LAYOUT_DEVICE=auto  # 有 CUDA 时自动把版面分析模型放到 GPU
LAYOUT_DEVICE=cuda  # 强制使用 CUDA，不可用时启动失败

Folio-OCR 默认会给 Ollama 请求传入 OLLAMA_NUM_CTX=16384，避免 GLM-OCR 处理图片时因上下文太小触发底层 RoPE / KV cache 错误。内存非常紧张时可以调小，复杂图片或高分辨率扫描件建议保持默认或调大。

如果遇到模型输出过长或重复内容，可通过 OLLAMA_NUM_PREDICT 限制单次 OCR 输出长度。默认值为 4096，短文档 demo 或低显存机器可以适当调小。

---

从源码运行

环境要求

• Python 3.10-3.12（推荐 3.11）
• Ollama 已安装且 ollama 在 PATH 中

安装和启动

# 安装依赖
pip install -r requirements.txt

# 拉取模型
ollama pull glm-ocr

# 启动服务
python server.py

# 或使用热重载开发
uvicorn folio_ocr.server:app --reload --host 0.0.0.0 --port 3000

# Windows 一键启动
start.bat

服务启动后访问：http://localhost:3000

配置项

项目结构

Folio-OCR/
├── folio_ocr/
│   ├── server.py          # FastAPI 后端
│   ├── index.html         # 应用页面
│   ├── script.js          # 前端逻辑
│   ├── style.css          # 样式
│   └── latex_unicode.json # LaTeX → Unicode 映射表
├── server.py              # 兼容入口：python server.py
├── pyproject.toml         # Python 包元数据和 folio-ocr 命令
├── requirements.txt       # Python 依赖
├── Dockerfile             # Docker 镜像构建
├── docker-compose.yml     # Docker Compose 编排
├── scripts/verify.sh      # 本地/CI 验证入口
├── docs/                  # GitHub Pages 首页
├── folio_ocr.db           # SQLite 数据库（运行时生成）
└── uploads/               # 上传文件目录（运行时生成）

API 端点

性能参考

• 模型冷启动首次请求：~50s
• 后续单页识别：~0.5s
• PDF 以 2x 缩放矩阵渲染，保证 OCR 质量

常见问题

Ollama 报 model failed to load

这通常是 Ollama 侧模型没有成功加载，常见原因是模型未拉取、内存/显存不足，或 GPU 资源被其他进程占用。

排查顺序：

docker compose exec ollama ollama pull glm-ocr
docker compose logs -f ollama

如果本地源码运行时遇到显存紧张，保持默认的 LAYOUT_DEVICE=cpu，让版面分析模型使用 CPU，把 GPU 留给 Ollama。若已经设置过 LAYOUT_DEVICE=auto 或 LAYOUT_DEVICE=cuda，可以改回：

LAYOUT_DEVICE=cpu python server.py

Ollama 报 GGML_ASSERT(a->ne[2] * 4 == b->ne[0]) failed

这是 GLM-OCR / Ollama 在图片 OCR 时可能触发的底层上下文错误。Folio-OCR 从 v3.3.1 起默认给 /api/chat 请求设置：

{
  "options": {
    "num_ctx": 16384
  }
}

如果仍然复现，可以尝试调大上下文或降低输入图片分辨率：

OLLAMA_NUM_CTX=24576 python server.py

Ollama v0.30.6 处理 PDF 超时

如果约 1 MB 的 PDF 在较新 Ollama 版本上超时，先确认是浏览器请求超时还是 Ollama runner 卡住：

docker compose logs -f app
docker compose logs -f ollama

Folio-OCR 默认已把前端 OCR 请求超时提高到 300 秒。慢机器或大页 PDF 可以继续调大：

OCR_REQUEST_TIMEOUT_MS=600000 python server.py

Docker 用户可以临时切换 Ollama 镜像版本做兼容性验证：

OLLAMA_VERSION=0.19.0 docker compose up -d
docker compose exec ollama ollama pull glm-ocr

单次最多能处理多少张图片？

Folio-OCR 没有写死单次页数上限；上传的图片和 PDF 页会按顺序写入 SQLite 和 uploads/，OCR 也是逐页执行。实际上限主要取决于磁盘空间、浏览器页面数量和 Ollama 的稳定性。大文档建议先按 20-50 页一批处理，确认环境稳定后再扩大批量。

License

MIT