OCR MCP Server

Ein MCP-Tool zur Texterkennung in Dokumenten auf Basis der Claude-Vision-Fähigkeiten – ganz ohne externe OCR-Engines wie Tesseract/PaddleOCR. Es nutzt direkt die multimodalen visuellen Fähigkeiten großer Modelle, um Text zu extrahieren.

✨ Features

• Keine Abhängigkeit von OCR-Engines — Tesseract und PaddleOCR müssen nicht installiert werden; die gesamte Erkennung erfolgt über die Claude Vision API

• Drei Tools — Bilderkennung, intelligente PDF-Erkennung, erzwungene OCR für gescannte Dokumente

• Intelligenter Fallback — Bei textbasierten PDFs wird eingebetteter Text direkt extrahiert (keine API-Kosten); gescannte Dokumente werden automatisch in Bilder umgewandelt und über Vision verarbeitet

• Strukturierte Ausgabe — Unterstützt Markdown-Tabellen, JSON und Klartext; geeignet für Szenarien wie Tabellen, Formulare, Handschrift usw.

• Plug-and-Play — Nach der Konfiguration von Claude Desktop direkt per natürlicher Sprache aufrufbar

Related MCP server: mcp-upstage

🛠 Tools

📦 Installation

# 克隆仓库
git clone https://github.com/你的用户名/ocr-mcp-server.git
cd ocr-mcp-server

# 安装依赖（仅 mcp / anthropic / PyMuPDF）
pip install -r requirements.txt

# 设置 Anthropic API Key
export ANTHROPIC_API_KEY="sk-ant-xxxxx"

⚙️ Claude Desktop konfigurieren

Bearbeiten Sie die Datei claude_desktop_config.json:

• macOS: ~/Library/Application Support/Claude/

• Windows: %APPDATA%\Claude\

{
  "mcpServers": {
    "ocr": {
      "command": "python",
      "args": ["/你的绝对路径/ocr-mcp-server/server.py"],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-xxxxx"
      }
    }
  }
}

Nach dem Neustart von Claude Desktop ist es sofort einsatzbereit.

🚀 Nutzung

In Claude Desktop direkt per natürlicher Sprache auslösen:

• „Erkenne den Text in diesem Bild“ → ruft automatisch recognize_image auf

• „Extrahiere die Tabellen aus diesem PDF“ → ruft automatisch recognize_pdf auf

• „Was steht in diesem gescannten Dokument?“ → ruft automatisch recognize_pdf_ocr auf

🧠 Funktionsweise

图片  ──→ base64 编码 ──→ Claude Vision API ──→ 结构化文本
PDF   ──→ PyMuPDF 检测文字层
            ├─ 有文字层 → 直接提取（零成本）
            └─ 扫描件   ──→ 转图片 ──→ base64 ──→ Vision API

Kernidee: Die visuellen Verständnisfähigkeiten des LLM ersetzen die traditionelle OCR-Pipeline. Dadurch ist das Verständnis für komplexe Layouts, Tabellen, Handschriften und Stempel besser und die semantische Struktur bleibt erhalten.

🔧 Technologie-Stack

• mcp — Offizielles Python-SDK für das MCP-Protokoll (FastMCP)

• anthropic — Offizieller Client für die Claude API

• PyMuPDF — PDF-Rendering und Extraktion eingebetteter Texte

📄 Lizenz

MIT