**AI讀PDF趁現在！** OlmOCR助你輕鬆駕馭文件，立即體驗！

讓AI幫你讀PDF： OlmOCR工具包讓你輕鬆駕馭海量文檔！

大家有沒有遇過這種狀況：手上有一堆PDF文件，想要快速提取裡面的文字，或是分析裡面的內容，卻發現PDF的格式百百種，文字提取效果參差不齊，實在讓人頭痛？

現在，救星來了！今天要跟大家介紹一個超棒的工具包 olmOCR，它可以幫助你用AI的力量，輕鬆搞定各種PDF文件，讓文字提取和分析變得更簡單、更有效率！

什麼是 olmOCR？

簡單來說，olmOCR 是一個由 Allen Institute for Artificial Intelligence (AI2) 開發的工具包，它利用語言模型和視覺模型，專門處理 PDF 文件。透過 olmOCR，你可以：

• 高準確度文字提取： 即使是排版複雜、圖片穿插的PDF，也能提取出自然的文字。特別是，它運用了ChatGPT 4o來做自然文字解析。
• 快速比較不同處理流程： 提供工具讓你比較不同版本的處理流程，找出最佳方案。
• 過濾無用資訊： 自動過濾掉語言不符、或是為了SEO而產生的垃圾資訊，讓結果更乾淨。
• 模型微調： 提供 Qwen2-VL 和 Molmo-O 的微調程式碼，可以針對特定需求客製化模型。
• 大規模處理： 透過 Sglang，可以快速處理數百萬份 PDF 文件。
• Dolma文件檢視器： 方便你瀏覽從 PDF 產生的 Dolma 文件。

總之，olmOCR 就像一個 PDF 處理的瑞士刀，功能強大又全面！

olmOCR 有什麼厲害的地方？

• 專為「野生」PDF 設計： 很多PDF文件品質參差不齊，olmOCR就是為了應付這些真實世界的挑戰而生。
• 結合 AI 最新技術： 利用 ChatGPT 4o 等先進模型，確保最佳的文字解析效果。
• 開源免費： OlmOCR 是開源的，你可以自由使用、修改，甚至貢獻程式碼！ (Apache 2.0 授權)

如何開始使用 olmOCR？

首先，你需要一些基本配備：

• NVIDIA GPU： 至少要有 20GB 的 GPU 記憶體，建議使用 RTX 4090、L40S、A100 或 H100。
• 足夠的硬碟空間： 至少需要 30GB 的可用空間。

接下來，按照以下步驟安裝 olmOCR：

1. 安裝必要的工具：

   sudo apt-get update
   sudo apt-get install poppler-utils ttf-mscorefonts-installer msttcorefonts fonts-crosextra-caladea fonts-crosextra-carlito gsfonts lcdf-typetools
   

2. 建立 conda 環境：

   conda create -n olmocr python=3.11
   conda activate olmocr
   

3. 下載並安裝 olmOCR：

   git clone https://github.com/allenai/olmocr.git
   cd olmocr
   pip install -e .
   

4. (可選) 安裝 sglang： 如果想要在 GPU 上運行，需要安裝 sglang。

   pip install sgl-kernel==0.0.3.post1 --force-reinstall --no-deps
   pip install "sglang[all]==0.4.2" --find-links https://flashinfer.ai/whl/cu124/torch2.4/flashinfer/
   

安裝完成後，就可以開始使用 olmOCR 啦！

使用範例

單一 PDF 轉換：

python -m olmocr.pipeline ./localworkspace --pdfs tests/gnarly_pdfs/horribleocr.pdf

多個 PDF 轉換：

python -m olmocr.pipeline ./localworkspace --pdfs tests/gnarly_pdfs/*.pdf

轉換後的結果會以 JSON 格式儲存在 ./localworkspace 目錄中。

線上 Demo：

如果不想安裝，也可以先到 https://olmocr.allenai.org/ 體驗線上 Demo 喔！

進階應用：大規模 PDF 處理

如果你的目標是處理數百萬份 PDF，olmOCR 也支援多節點叢集部署，可以從 AWS S3 讀取 PDF，並利用 S3 儲存結果。詳細的設定方式可以參考 olmOCR 的 GitHub 頁面。

總結

OlmOCR 是一個強大、易用的 PDF 處理工具包，無論你是研究人員、資料分析師，還是需要處理大量 PDF 文件的使用者，都可以從中受益。趕快試試看，讓 AI 成為你處理 PDF 的最佳助手吧！

相關連結：

• GitHub 頁面： https://github.com/allenai/olmocr
• 線上 Demo： https://olmocr.allenai.org/
• 論文連結: https://olmocr.allenai.org/papers/olmocr.pdf ( 僅供參考, 此連結可能不存在)

希望這篇文章對你有幫助！如果有任何問題，歡迎在下方留言討論喔！

參考閱讀

https://github.com/allenai/olmocr