OCR MCP Server

Herramienta MCP para reconocimiento de texto en documentos basada en Claude Vision, sin necesidad de motores OCR de terceros como Tesseract/PaddleOCR; extrae texto directamente usando las capacidades multimodales de visión de los grandes modelos.

✨ Características

• Sin dependencia de motores OCR — sin instalar Tesseract ni PaddleOCR, toda la capacidad de reconocimiento proviene de la API de Claude Vision

• Tres herramientas — reconocimiento de imágenes, reconocimiento inteligente de PDF y OCR forzado para escaneos

• Degradación inteligente — para PDF con texto, extrae directamente el texto incrustado con cero costo de API; para escaneos, convierte automáticamente a imagen y usa Vision

• Salida estructurada — admite tablas Markdown, JSON y texto plano, adaptable a escenarios como tablas, formularios y escritura manuscrita

• Plug and play — tras configurar Claude Desktop, se usa directamente con lenguaje natural

Related MCP server: mcp-upstage

🛠 Herramientas

📦 Instalación

# 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"

⚙️ Configurar Claude Desktop

Edita 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"
      }
    }
  }
}

Reinicia Claude Desktop y ya puedes usarlo.

🚀 Uso

Activa directamente con lenguaje natural en Claude Desktop:

• "Ayúdame a reconocer el texto de esta imagen" → llama automáticamente a recognize_image

• "Extrae las tablas de este PDF" → llama automáticamente a recognize_pdf

• "¿Qué dice este escaneo?" → llama automáticamente a recognize_pdf_ocr

🧠 Cómo funciona

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

La idea central: usar la capacidad de comprensión visual de los LLM para reemplazar el flujo de trabajo OCR tradicional, con una mejor comprensión en escenarios como maquetación compleja, tablas, escritura manuscrita y sellos, y manteniendo la estructura semántica.

🔧 Stack tecnológico

• mcp — SDK oficial de Python para el protocolo MCP (FastMCP)

• anthropic — Cliente oficial de la API de Claude

• PyMuPDF — renderizado de PDF y extracción de texto incrustado

📄 Licencia

MIT