ब्लॉग पर वापस जाएँ
手把手教你本地部署olmOCR：让PDF处理变得超简单！

手把手教你本地部署olmOCR：让PDF处理变得超简单！

Author

OLMOCR Team

2025年3月1日

手把手教你本地部署olmOCR：让PDF处理变得超简单！

olmOCR Logo

各位处理PDF文档的小伙伴注意啦！今天给大家安利一个神器——olmOCR，它能让语言模型轻松读懂各种奇葩排版的PDF！无论是学术论文还是复杂表格，统统都能搞定。最棒的是它支持本地部署，数据安全有保障！下面我就带大家一步步搞定安装和使用👇

🛠️ 准备工作：安装依赖包

首先咱们得装几个系统级依赖（以Ubuntu为例）：

# 一键安装全家桶
sudo apt-get update
sudo apt-get install poppler-utils ttf-mscorefonts-installer msttcorefonts fonts-crosextra-caladea fonts-crosextra-carlito gsfonts lcdf-typetools

💡 小贴士：安装过程中遇到字体授权协议时，按TAB键选择<Yes>确认就好！

🌱 创建Python环境

推荐用conda管理环境：

conda create -n olmocr python=3.11
conda activate olmocr

# 克隆仓库并安装
git clone https://github.com/allenai/olmocr.git
cd olmocr
pip install -e .

⚡ 安装加速组件

想用GPU加速？这两行命令不能少：

pip install sgl-kernel==0.0.3.post1 --force-reinstall --no-deps
pip install "sglang[all]==0.4.2" --find-links https://flashinfer.ai/whl/cu124/torch2.4/flashinfer/

🚀 快速体验：转换PDF实战

单个文件转换

python -m olmocr.pipeline ./localworkspace --pdfs tests/gnarly_pdfs/horribleocr.pdf

批量处理

python -m olmocr.pipeline ./localworkspace --pdfs tests/gnarly_pdfs/*.pdf

转换结果会保存在./localworkspace/results目录下的JSONL文件里，用这个命令查看：

cat localworkspace/results/output_*.jsonl

👀 可视化对比神器

想直观对比原PDF和转换结果？试试这个：

python -m olmocr.viewer.dolmaviewer localworkspace/results/output_*.jsonl

打开生成的dolma_previews目录里的HTML文件，你会看到这样的对比界面👇

可视化对比示例

🧰 高级玩法

百万级PDF处理

如果是企业级的海量PDF处理，可以上AWS集群：

# 第一个节点初始化
python -m olmocr.pipeline s3://my_bucket/workspace --pdfs s3://my_bucket/pdfs/*.pdf

# 其他节点加入集群
python -m olmocr.pipeline s3://my_bucket/workspace

查看完整参数

python -m olmocr.pipeline --help

💻 Docker党专属

官方提供了现成的Dockerfile，直接拉取镜像更省事：

FROM allenai/olmocr-inference:latest
# 具体用法见项目文档
# 链接如下：
https://github.com/allenai/olmocr/blob/main/scripts/beaker/Dockerfile-inference

❓ 常见问题

  1. GPU报错怎么办？
    确认显卡驱动和CUDA版本，建议使用RTX 4090/L40S/A100/H100等新卡

  2. 中文PDF支持吗？
    目前主要优化英文文档，但可以通过--apply_filter参数尝试其他语言

  3. 磁盘空间不足？
    至少预留30GB空间，处理大文件建议挂载SSD

👏 致谢

olmOCR由艾伦人工智能研究所（AI2）开发，采用Apache 2.0开源协议。特别感谢开发团队的贡献（完整贡献者列表）。

现在就动手试试吧！遇到问题欢迎在Discord社区交流～🎉