Pix2Text

更新 2025.07.25：V1.1.4 发布

主要更新：

• 数学公式检测（MFD）和数学公式识别（MFR）模型升级至 1.5 版本。所有默认配置、文档和示例现均已采用 mfd-1.5 和 mfr-1.5 作为标准模型。

更新 2025.04.15：V1.1.3 发布

主要更新：

• 支持基于 VLM 接口的 VlmTableOCR 和 VlmTextFormulaOCR 模型（详见 LiteLLM 文档），允许使用闭源 VLM 模型。安装命令：pip install pix2text[vlm]。
  • 使用示例请参见 tests/test_vlm.py 和 tests/test_pix2text.py。

更新 2024.11.17：V1.1.2 发布

主要更新：

• 集成了新的版面分析模型 DocLayout-YOLO，提升了版面分析的准确性。

更新 2024.06.18：V1.1.1 发布

主要变化：

• 支持全新的数学公式检测模型（MFD）：breezedeus/pix2text-mfd（镜像），显著提高了公式检测的准确率。 查看详情：Pix2Text V1.1.1 发布，带来更优秀的数学公式检测模型 | Breezedeus.com。

更新 2024.04.28：V1.1 发布

主要变化：

• 新增了版面分析和表格识别模型，支持将复杂布局的图片转换为 Markdown 格式。示例请参见：Pix2Text 在线文档 / 示例。
• 增加了将整个 PDF 文件转换为 Markdown 格式的功能。示例请参见：Pix2Text 在线文档 / 示例。
• 对接口进行了增强，增加了更多功能，并调整了现有接口参数。
• 正式上线了 Pix2Text 在线文档。

更新 2024年2月26日：V1.0 正式发布

主要更新：

• 数学公式识别（MFR）模型采用了全新架构，并在新数据集上进行了训练，达到了当前最先进的准确率。详细信息请参阅：Pix2Text V1.0 新版本发布：最佳开源公式识别模型 | Breezedeus.com。

更多信息请查看：RELEASE.md。

Pix2Text (P2T) 旨在成为 Mathpix 的一个 免费且开源的 Python 替代方案，并且已经能够实现 Mathpix 的核心功能。Pix2Text (P2T) 可以识别版面、表格、图像、文本、数学公式，并将所有这些内容整合为 Markdown 格式。此外，P2T 还可以将整份 PDF 文件（其中可能包含扫描图像或其他格式）转换为 Markdown 格式。

Pix2Text (P2T) 集成了以下模型：

• 版面分析模型：breezedeus/pix2text-layout（镜像）。
• 表格识别模型：breezedeus/pix2text-table-rec（镜像）。
• 文本识别引擎：支持 80多种语言，如 英语、简体中文、繁体中文、越南语 等。对于英语和简体中文的识别，使用开源 OCR 工具 CnOCR，而对于其他语言，则使用开源 OCR 工具 EasyOCR。
• 数学公式检测模型（MFD）：breezedeus/pix2text-mfd-1.5（镜像）。基于 CnSTD 实现。
• 数学公式识别模型（MFR）：breezedeus/pix2text-mfr-1.5（镜像）。

其中多个模型由其他开源项目作者贡献，我们对此表示衷心感谢。

如需详细说明，请参阅 Pix2Text 在线文档/模型。

作为一款 Python3 工具包，P2T 对于不熟悉 Python 的用户来说可能不太友好。因此，我们还提供了一个 免费使用的 P2T 在线网页：p2t.breezedeus.com，您可以在上面直接上传图片并获取 P2T 的解析结果。该网页版本使用了最新的模型，性能相比开源版本更优。

如果您感兴趣，欢迎扫描二维码添加助手为好友，并注明 p2t。助手会定期邀请大家加入群组，群内将发布与 P2T 工具相关的最新动态：

作者还维护着一个 知识星球 P2T/CnOCR/CnSTD 私人社群，在这里问题能够得到及时解答，欢迎大家加入。该 知识星球私人社群 还会逐步发布一些与 P2T/CnOCR/CnSTD 相关的私密资料，包括 部分未公开的模型、购买高级模型的折扣优惠、不同应用场景的代码片段，以及使用过程中遇到的疑难问题解答。同时，星球也会分享与 P2T/OCR/STD 相关的最新研究资料。

更多联系方式请参阅 联系我们。

支持的语言列表

Pix2Text 的文本识别引擎支持 80+ 种语言，包括 英语、简体中文、繁体中文、越南语 等。其中，英语 和 简体中文 的识别使用了开源 OCR 工具 CnOCR，而其他语言的识别则采用了开源 OCR 工具 EasyOCR。在此特别感谢两位作者。

以下是 支持的语言 及其 语言代码 列表：

↓↓↓ 点击展开详情 ↓↓↓

语言	代码名称
阿巴扎语	abq
阿迪格语	ady
南非语	af
安吉卡语	ang
阿拉伯语	ar
阿萨姆语	as
阿瓦尔语	ava
阿塞拜疆语	az
白俄罗斯语	be
保加利亚语	bg
比哈尔语	bh
博杰普里语	bho
孟加拉语	bn
波斯尼亚语	bs
简体中文	ch_sim
繁体中文	ch_tra
车臣语	che
捷克语	cs
威尔士语	cy
丹麦语	da
达尔金语	dar
德语	de
英语	en
西班牙语	es
爱沙尼亚语	et
波斯语（法尔西语）	fa
法语	fr
爱尔兰语	ga
果阿孔卡尼语	gom
印地语	hi
克罗地亚语	hr
匈牙利语	hu
印度尼西亚语	id
因古什语	inh
冰岛语	is
意大利语	it
日语	ja
卡巴尔达语	kbd
坎那达语	kn
韩语	ko
库尔德语	ku
拉丁语	la
拉克语	lbe
列兹金语	lez
立陶宛语	lt
拉脱维亚语	lv
马嘎希语	mah
迈蒂利语	mai
毛利语	mi
蒙古语	mn
马拉地语	mr
马来语	ms
马耳他语	mt
尼泊尔语	ne
新瓦里语	new
荷兰语	nl
挪威语	no
奥克西塔尼语	oc
巴利语	pi
波兰语	pl
葡萄牙语	pt
罗马尼亚语	ro
俄语	ru
塞尔维亚语（西里尔字母）	rs_cyrillic
塞尔维亚语（拉丁字母）	rs_latin
纳格浦里语	sck
斯洛伐克语	sk
斯洛文尼亚语	sl
阿尔巴尼亚语	sq
瑞典语	sv
斯瓦希里语	sw
泰米尔语	ta
塔巴萨兰语	tab
泰卢固语	te
泰语	th
塔吉克语	tjk
他加禄语	tl
土耳其语	tr
维吾尔语	ug
乌克兰语	uk
乌尔都语	ur
乌兹别克语	uz
越南语	vi

参考：支持的语言。

在线服务

大家可以免费使用 P2T 在线服务，每个账号每天有 10,000 字符的使用限制，对于一般用途来说已经足够。请勿进行批量 API 调用，因为机器资源有限，这可能会导致其他人无法访问该服务。

由于硬件限制，在线服务目前仅支持 简体中文 和 英语。如需尝试其他语言的模型，请使用以下 在线演示。

在线演示 🤗

您也可以尝试 在线演示，查看 P2T 在各种语言中的表现。不过，在线演示运行在较低的硬件配置上，速度可能会较慢。对于简体中文或英语图像，建议使用 P2T 在线服务。

示例

请参阅：Pix2Text 在线文档/示例。

使用方法

请参阅：Pix2Text 在线文档/使用方法。

模型

请参阅：Pix2Text 在线文档/模型。

安装

如果一切顺利，只需一行命令即可完成安装。

pip install pix2text

如果您需要识别除 英语 和 简体中文 之外的语言，请使用以下命令安装额外的包：

pip install pix2text[multilingual]

如果安装速度较慢，可以指定安装源，例如使用阿里云镜像：

pip install pix2text -i https://mirrors.aliyun.com/pypi/simple

更多信息请参考：Pix2Text 在线文档/安装。

命令行工具

请参阅：Pix2Text 在线文档/命令行工具。

HTTP 服务

请参阅：Pix2Text 在线文档/命令行工具/启动服务。

macOS 桌面应用

请参考 Pix2Text-Mac 来安装适用于 macOS 的 Pix2Text 桌面应用。

为作者点一杯咖啡

维护和推进这个项目并不容易，因此如果您觉得它对您有所帮助，请考虑 为作者点一杯咖啡 🥤。

---

官方代码库：https://github.com/breezedeus/pix2text。请正确引用。

更多关于 Pix2Text (P2T) 的信息，请访问：https://www.breezedeus.com/article/pix2text。

Pix2Text 快速上手指南

Pix2Text (P2T) 是一款免费开源的 Python 工具，旨在作为 Mathpix 的替代品。它能够识别图片中的布局、表格、文本和数学公式，并将其整合输出为 Markdown 格式，支持将整本 PDF 文件转换为 Markdown。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：Python 3.8+
• 前置依赖：
  • 建议先安装 PyTorch（CPU 或 GPU 版本）。若未安装，pip 安装时会自动尝试安装 CPU 版本。
  • 如需使用基于 VLM（视觉语言模型）的高级功能（如 VlmTableOCR），需额外安装相关依赖。

安装步骤

推荐使用国内镜像源以加速下载。

1. 基础安装

安装核心功能（包含布局分析、表格识别、OCR 及公式识别）：

pip install pix2text -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 可选：安装 VLM 支持

如果需要调用闭源 VLM 模型进行更复杂的表格或公式识别：

pip install "pix2text[vlm]" -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：模型文件会在首次运行时自动从 Hugging Face 下载。如果网络受限，可配置 Hugging Face 镜像环境变量：

export HF_ENDPOINT=https://hf-mirror.com

基本使用

示例 1：识别单张图片

最简单的用法是直接对包含公式或复杂排版的图片进行识别，输出 Markdown 内容。

from pix2text import Pix2Text

# 初始化 P2T 实例
p2t = Pix2Text()

# 识别图片并输出 Markdown 文本
img_path = 'examples/formula.jpg'
result = p2t.recognize(img_path)

print(result)

示例 2：转换整个 PDF 文件

支持将扫描版或电子版 PDF 直接转换为 Markdown 文件。

from pix2text import Pix2Text

p2t = Pix2Text()

# 将 PDF 转换为 Markdown 文件
pdf_path = 'examples/sample.pdf'
output_md_path = 'output.md'

p2t.recognize_pdf(pdf_path, output_md_path)
print(f"转换完成，文件保存至：{output_md_path}")

示例 3：指定语言识别

Pix2Text 支持 80+ 种语言。默认情况下，英文和简体中文使用 CnOCR，其他语言使用 EasyOCR。

from pix2text import Pix2Text

# 初始化时指定语言代码，例如繁体中文 ('ch_tra') 或日文 ('ja')
p2t = Pix2Text(lang='ch_tra')

result = p2t.recognize('traditional_chinese_image.png')
print(result)

提示：更多高级用法（如自定义模型版本、调整参数）请参考 官方文档。