OCR MCP Server

Claude Vision を活用した文書文字認識 MCP ツール。Tesseract/PaddleOCR などのサードパーティ製 OCR エンジンは不要で、大規模言語モデルのマルチモーダル視覚能力を直接利用して文字を抽出します。

✨ 特徴

• OCR エンジン依存ゼロ — Tesseract、PaddleOCR をインストールせず、すべての認識能力は Claude Vision API によるもの

• 3つのツール — 画像認識、スマート PDF 認識、スキャン文書の強制 OCR

• スマートフォールバック — テキスト版 PDF は埋め込み文字を直接抽出し API コストゼロ。スキャン文書は自動的に画像化して Vision で処理

• 構造化出力 — Markdown テーブル、JSON、プレーンテキストに対応し、表・フォーム・手書き文字などのシーンに適合

• プラグアンドプレイ — Claude Desktop を設定すれば、自然言語で直接呼び出し可能

Related MCP server: mcp-upstage

🛠 ツール

📦 インストール

# 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 の設定

claude_desktop_config.json を編集します：

• 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"
      }
    }
  }
}

Claude Desktop を再起動すれば使用できます。

🚀 使い方

Claude Desktop で自然言語を使って直接トリガーします：

• "この画像の文字を認識してください" → recognize_image を自動的に呼び出し

• "この PDF の表を抽出してください" → recognize_pdf を自動的に呼び出し

• "このスキャン文書には何が書いてありますか？" → recognize_pdf_ocr を自動的に呼び出し

🧠 動作原理

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

核となる考え方：LLM の視覚理解能力で従来の OCR パイプラインを代替します。複雑なレイアウト、表、手書き文字、印鑑などのシーンで理解力が高く、意味構造を維持できます。

🔧 技術スタック

• mcp — MCP プロトコル公式 Python SDK（FastMCP）

• anthropic — Claude API 公式クライアント

• PyMuPDF — PDF レンダリングと埋め込み文字の抽出

📄 License

MIT