OpenAI OCR MCP Server

一个使用OpenAI视觉能力提供OCR（光学字符识别）功能的Model Context Protocol (MCP)服务器。此服务器与Cursor IDE集成，提供从图像中无缝提取文本的功能。

特性

• 图像文本提取：使用OpenAI的GPT-4.1-mini视觉模型从各种图像格式中提取文本。
• 自动文本文件创建：自动保存提取的文本及其源图像。
• 基于内容的文件命名：使用独特的内容哈希进行有序文件管理。
• 多种图像格式支持：支持JPG、PNG、GIF和WebP格式。
• 强大的错误处理：全面的验证和错误报告。
• 详细的日志记录：调试友好的日志记录用于故障排除。

技术细节

视觉模型

• 使用OpenAI的GPT-4.1-mini模型。
• 优化了从图像中提取文本的功能。
• 支持高细节图像分析。
• 通过OpenAI的视觉API处理图像。

文件处理

• 自动文本文件创建。
• 基于内容的哈希生成。
• 支持多种图像格式。
• 内置文件大小验证。

安装

1. 克隆仓库
2. 安装依赖项：

   npm install
   

3. 构建TypeScript代码：

   npm run build
   

4. 在.env文件中设置您的OpenAI API密钥：

   OPENAI_API_KEY=your_api_key_here
   

使用方法

在Cursor IDE中

1. 在Cursor设置中配置MCP服务器。
2. 通过Cursor的命令面板使用OCR工具。
3. 选择要处理的图像文件。
4. 提取的文本将会：
   • 显示在Cursor中。
   • 作为文本文件保存在图像旁边。

文本文件输出

对于每个处理过的图像，服务器会创建一个具有以下命名约定的文本文件：

{原始图像名称}-{内容哈希}.txt

示例：

• 输入图像：document.jpg
• 输出文件：document-a1b2c3d4.txt

内容哈希是一个从提取的文本生成的独特8位哈希值，确保：

• 不同文本内容具有唯一的文件名。
• 源图像和提取文本之间的轻松匹配。
• 当同一图像产生不同结果时的版本跟踪。

支持的图像格式

• JPEG/JPG
• PNG
• GIF
• WebP

文件大小限制

• 最大文件大小：5MB
• 超过此限制的文件将被拒绝并显示错误消息。

错误处理

服务器提供了常见问题的详细错误消息：

• 无效的图像格式
• 文件大小超出限制
• 文件访问问题
• API密钥问题
• 文本提取失败

开发

从源码构建

npm run build

运行测试

npm test

调试

服务器提供了包括以下内容的详细日志：

• API密钥验证
• 文件处理步骤
• 文本提取结果
• 文件保存操作

环境变量

• OPENAI_API_KEY：您的OpenAI API密钥（必需）
• 支持标准（sk-...）和项目特定（sk-proj-...）API密钥。

贡献

欢迎贡献！请随意提交Pull Request。

许可证

MIT许可证 </中文翻译>