基于 GLM-OCR + Ollama 的三栏文档 OCR 工作台，专为书籍和文档的日常批量识别设计。
2026-05-25 · v3.3.0 已发布：修复表格导出被压成纯文本的问题，新增 EPUB 导出，并改善 Ollama 模型加载失败时的提示。查看 Release Notes。
- 支持多种图片格式：PNG、JPG、GIF、BMP
- 支持 PDF 文件（PyMuPDF 2x 高分辨率拆页）
- 多文件混合上传（图片 + PDF 混选）
- 版面分析（Layout Detection）自动分区识别
- 相邻文本区域智能合并，减少 OCR 调用次数（11 区域 → 3 组，2.5x 加速）
- LaTeX 特殊字符自动转 Unicode（
$\textcircled{1}$→①） - 模型输出自动清理
```markdown ```围栏
- 一键「OCR All Pages」批量识别全部页面
- 实时进度条 + ETA 时间估算
- 随时可停（Stop 按钮立即中断当前请求）
- 选中页面时自动预识别下一页（Pre-OCR）
- Edit / Preview 双模式切换
- Preview 模式原生渲染 HTML 表格和 Markdown
- 段落重排（Reflow）：合并因换行断开的段落
- 导出四种格式：
.md（Markdown）、.txt（纯文本）、.docx（Word）、.epub（电子书） - DOCX 导出基于 python-docx，真实 Word 文档，含分节符和页码
- 单页/全文一键复制
- SQLite 数据库（
folio_ocr.db），文档和 OCR 结果服务重启不丢失 - 编辑内容 800ms 防抖自动保存
- 页面加载时自动恢复上次打开的文档
- 多文档管理：左侧面板上方文档列表，支持切换和删除
- 三栏布局：页面缩略图 | 图片预览 | OCR 结果
- 右侧面板可拖拽调整宽度
- SSE 流式上传，逐页实时加载
- 版面区域双向高亮（点击图片框 ↔ 点击文本块）
- 全文搜索（Ctrl+F），跨页高亮 + 命中计数
- 键盘导航（↑↓ 切换页面）
- 暖色奶油/炭灰主题，中文字体适配
- 所有网络请求带超时保护（按场景分档：5s ~ 180s）
- Toast 弹窗通知：保存失败、OCR 超时、加载错误等即时反馈
- Ollama 断开后 UI 不会冻住，超时后自动恢复可操作状态
只需装好 Docker，三条命令搞定：
# 1. 克隆项目
git clone https://github.com/vorojar/Folio-OCR.git
cd Folio-OCR
# 2. 启动服务（首次会自动构建镜像，需要几分钟）
docker compose up -d
# 3. 下载 OCR 模型（约 2GB，只需执行一次）
docker compose exec ollama ollama pull glm-ocr完成后打开浏览器访问 http://localhost:3000 即可使用。
有 NVIDIA 显卡？ 编辑
docker-compose.yml，取消deploy:段落的注释即可启用 GPU 加速。
常用 Docker 命令：
docker compose down # 停止服务
docker compose up -d # 重新启动（数据不会丢失）
docker compose logs -f app # 查看应用日志
docker compose logs -f ollama # 查看 Ollama 日志默认配置会让版面分析模型跑在 CPU 上，把 GPU 显存优先留给 Ollama。需要调整时可设置：
LAYOUT_DEVICE=cpu # 默认值，最稳妥
LAYOUT_DEVICE=auto # 有 CUDA 时自动把版面分析模型放到 GPU
LAYOUT_DEVICE=cuda # 强制使用 CUDA，不可用时启动失败- Python 3.10+
- Ollama 已安装且
ollama在 PATH 中
# 安装依赖
pip install -r requirements.txt
# 拉取模型
ollama pull glm-ocr
# 启动服务
python server.py
# 或使用热重载开发
uvicorn server:app --reload --host 0.0.0.0 --port 3000
# Windows 一键启动
start.bat服务启动后访问：http://localhost:3000
glmocr/
├── server.py # FastAPI 后端（单文件）
├── index.html # HTML 页面
├── script.js # 前端逻辑
├── style.css # 样式
├── latex_unicode.json # LaTeX → Unicode 映射表
├── requirements.txt # Python 依赖
├── Dockerfile # Docker 镜像构建
├── docker-compose.yml # Docker Compose 编排
├── .dockerignore # Docker 构建排除列表
├── start.bat # Windows 启动脚本
├── folio_ocr.db # SQLite 数据库（运行时生成）
└── uploads/ # 上传文件目录（运行时生成）
| 方法 | 路径 | 说明 |
|---|---|---|
| GET | /api/status |
服务状态、Ollama 连通性 |
| POST | /api/load-model |
启动 Ollama 并预热模型 |
| POST | /api/upload |
上传文件，返回 SSE 页面流 |
| GET | /api/images/{doc_id}/{filename} |
获取页面图片 |
| POST | /api/ocr/{doc_id}/{page_num} |
单页 OCR |
| POST | /api/export/{doc_id} |
导出 DOCX |
| GET | /api/documents |
列出所有文档 |
| GET | /api/documents/{doc_id} |
获取文档详情（含所有页面） |
| DELETE | /api/documents/{doc_id} |
删除文档 |
| PUT | /api/pages/{doc_id}/{page_num}/text |
保存编辑后的文本 |
- 模型冷启动首次请求：~50s
- 后续单页识别：~0.5s
- PDF 以 2x 缩放矩阵渲染，保证 OCR 质量
这通常是 Ollama 侧模型没有成功加载，常见原因是模型未拉取、内存/显存不足，或 GPU 资源被其他进程占用。
排查顺序：
docker compose exec ollama ollama pull glm-ocr
docker compose logs -f ollama如果本地源码运行时遇到显存紧张，保持默认的 LAYOUT_DEVICE=cpu，让版面分析模型使用 CPU，把 GPU 留给 Ollama。若已经设置过 LAYOUT_DEVICE=auto 或 LAYOUT_DEVICE=cuda，可以改回：
LAYOUT_DEVICE=cpu python server.pyFolio-OCR 没有写死单次页数上限；上传的图片和 PDF 页会按顺序写入 SQLite 和 uploads/，OCR 也是逐页执行。实际上限主要取决于磁盘空间、浏览器页面数量和 Ollama 的稳定性。大文档建议先按 20-50 页一批处理，确认环境稳定后再扩大批量。
MIT