mcpField
A
aliyun-qwen-ocr

aliyun-qwen-ocr

github.com/cinience文档处理39667 次安装11 周前更新
代码仓库

关于 aliyun-qwen-ocr

aliyun-qwen-ocr 是使用 Model Studio Qwen OCR 提取文本和解析文档结构的技能，提供表格、公式等内置任务，也支持自定义提取提示词。

主要功能

  1. 01文本提取与文档解析
  2. 02内置表格和公式识别
  3. 03关键信息提取
  4. 04自定义提取提示词
  5. 05支持 URL、本地路径和 data URL

适用场景

  1. 01提取发票字段
  2. 02解析图片中的表格
  3. 03识别文档公式

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/cinience/alicloud-skills --skill aliyun-qwen-ocr

安装后在 Claude Code 中输入/aliyun-qwen-ocr确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

agents/
openai.yaml
references/
api_reference.md
sources.md
scripts/
prepare_ocr_request.py

详细介绍

类别：提供方

Model Studio Qwen OCR

验证

mkdir -p output/aliyun-qwen-ocr
python -m py_compile skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py && echo "py_compile_ok" > output/aliyun-qwen-ocr/validate.txt

通过标准：命令以 0 退出，并生成 output/aliyun-qwen-ocr/validate.txt。

输出与证据

  • 将请求负载、所选 OCR 任务名称和规范化输出预期保存在 output/aliyun-qwen-ocr/ 下。
  • 每次保存的运行都保留准确的模型、图像来源和任务配置。

如果任务主要是文本提取或文档结构解析，而不是广泛的视觉推理，请使用 Qwen OCR。

重要模型名称

使用以下任一准确的模型字符串：

  • qwen-vl-ocr
  • qwen-vl-ocr-latest
  • qwen-vl-ocr-2025-11-20
  • qwen-vl-ocr-2025-08-28
  • qwen-vl-ocr-2025-04-13
  • qwen-vl-ocr-2024-10-28

选择指南：

  • 稳定渠道请使用 qwen-vl-ocr。
  • 仅在明确需要最新 OCR 行为时，才使用 qwen-vl-ocr-latest。
  • 如需基于 Qwen3-VL OCR 升级实现可复现的文档解析，请固定使用 qwen-vl-ocr-2025-11-20。

前提条件

  • 安装依赖（建议在 venv 中安装）：
python3 -m venv .venv
. .venv/bin/activate
python -m pip install requests
  • 在环境中设置 DASHSCOPE_API_KEY，或将 dashscope_api_key 添加到 ~/.alibabacloud/credentials。

规范化接口（ocr.extract）

请求
  • image（字符串，必需）：HTTPS URL、本地路径或 data: URL。
  • model（字符串，可选）：默认为 qwen-vl-ocr。
  • prompt（字符串，可选）：需要自定义提取说明时使用。
  • task（字符串，可选）：内置 OCR 任务。
  • task_config（对象，可选）：内置任务的配置，例如提取字段。
  • enable_rotate（bool，可选）：默认为 false。
  • min_pixels（int，可选）
  • max_pixels（int，可选）
  • max_tokens（int，可选）
  • temperature（float，可选）：建议保持接近默认值或较低的值。
响应
  • text（字符串）：提取的文本或结构化 Markdown/HTML 风格输出。
  • model（字符串）
  • usage（对象，可选）

内置 OCR 任务

在 task 中使用以下任一值：

  • text_recognition
  • key_information_extraction
  • document_parsing
  • table_parsing
  • formula_recognition
  • multi_lan
  • advanced_recognition

快速开始

自定义提示词：

python skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py \
  --image "https://example.com/invoice.png" \
  --prompt "Extract seller name, invoice date, amount, and tax number in JSON."

内置任务：

python skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py \
  --image "https://example.com/table.png" \
  --task table_parsing \
  --model qwen-vl-ocr-2025-11-20

操作指南

  • 对于标准解析任务，优先使用内置 OCR 任务，因为它们使用官方任务提示词。
  • 对于关键业务字段，请在 OCR 后添加下游验证规则。
  • qwen-vl-ocr 和较早的快照版本默认最多输出 4096 个 Token，除非获得阿里云批准更高的限制；qwen-vl-ocr-2025-11-20 遵循模型的最大限制。
  • 仅在遗漏小字时提高 max_pixels；这会增加 Token 成本。

输出位置

  • 默认输出：output/aliyun-qwen-ocr/request.json
  • 使用 OUTPUT_DIR 覆盖基础目录。

参考资料

  • references/api_reference.md
  • references/sources.md

评论

支持 Markdown