OCR MCP Server

基于 Claude Vision 能力的文档文字识别 MCP 工具，无需 Tesseract/PaddleOCR 等第三方 OCR 引擎，直接利用大模型多模态视觉能力提取文字。

✨ 特性

• 零 OCR 引擎依赖 — 不安装 Tesseract、PaddleOCR，全部识别能力来自 Claude Vision API

• 三种工具 — 图片识别、智能 PDF 识别、强制 OCR 扫描件

• 智能降级 — 文字版 PDF 直接提取内嵌文字，零 API 成本；扫描件自动转图片走 Vision

• 结构化输出 — 支持 Markdown 表格、JSON、纯文本，适配表格/表单/手写体等场景

• 即插即用 — 配置 Claude Desktop 后，自然语言直接调用

Related MCP server: mcp-upstage

🛠 工具

📦 安装

# 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"

⚙️ 配置 Claude Desktop

编辑 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"
      }
    }
  }
}

重启 Claude Desktop 即可使用。

🚀 使用

在 Claude Desktop 中直接用自然语言触发：

• "帮我识别这张图片里的文字" → 自动调用 recognize_image

• "提取这个 PDF 里的表格" → 自动调用 recognize_pdf

• "这个扫描件里写了什么" → 自动调用 recognize_pdf_ocr

🧠 工作原理

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

核心思路：用 LLM 的视觉理解能力替代传统 OCR 管线，对复杂排版、表格、手写体、印章等场景的理解更强，且能保持语义结构。

🔧 技术栈

• mcp — MCP 协议官方 Python SDK（FastMCP）

• anthropic — Claude API 官方客户端

• PyMuPDF — PDF 渲染与内嵌文字提取

📄 License

MIT