OCR MCP Server

MCP-инструмент для распознавания текста в документах на основе Claude Vision — не требует сторонних OCR-движков, таких как Tesseract/PaddleOCR, напрямую использует мультимодальные визуальные возможности большой языковой модели для извлечения текста.

✨ Возможности

• Ноль зависимостей от OCR-движков — не нужно устанавливать Tesseract или PaddleOCR, вся способность распознавания обеспечивается Claude Vision API

• Три инструмента — распознавание изображений, интеллектуальное распознавание PDF, принудительный OCR сканов

• Умный фолбэк — для текстовых PDF напрямую извлекается встроенный текст (без затрат на API); сканы автоматически преобразуются в изображения и обрабатываются через Vision

• Структурированный вывод — поддержка таблиц Markdown, JSON и обычного текста; подходит для таблиц, форм, рукописного текста и других сценариев

• Подключай и работай — после настройки Claude Desktop вызов осуществляется напрямую на естественном языке

Related MCP server: mcp-upstage

🛠 Инструменты

📦 Установка

# 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"

⚙️ Настройка Claude Desktop

Отредактируйте 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"
      }
    }
  }
}

Перезапустите Claude Desktop — и можно пользоваться.

🚀 Использование

В Claude Desktop инструменты запускаются напрямую на естественном языке:

• "Распознай текст на этом изображении" → автоматически вызывается recognize_image

• "Извлеки таблицы из этого PDF" → автоматически вызывается recognize_pdf

• "Что написано в этом скане?" → автоматически вызывается recognize_pdf_ocr

🧠 Как это работает

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

Основная идея: вместо традиционного OCR-конвейера используется визуальное понимание LLM — оно лучше разбирается в сложной вёрстке, таблицах, рукописном тексте, печатях и т.п., сохраняя смысловую структуру.

🔧 Технологический стек

• mcp — официальный Python SDK для протокола MCP (FastMCP)

• anthropic — официальный клиент Claude API

• PyMuPDF — рендеринг PDF и извлечение встроенного текста

📄 Лицензия

MIT