一、为什么我对本地 OCR 这么执着？
在写脚本的过程中，我对接最多的就是 HR、财务、行政这几个岗位的同事。他们的需求看似五花八门，归根结底都指向同一件事：把图片里的文字提取出来，变成可以编辑、可以统计的结构化数据。
最典型的几个场景包括：
- 发票报销：电子发票、纸质发票混着来，需要抓取发票代码、号码、金额、开票日期；
- 社保资料：身份证、社保卡、银行卡照片，要识别姓名、证件号、卡号；
- 公司制度文件：PDF 文件或者截图，需要转成 Word / Excel 再统一处理；
- 现场照片归档：外出拍摄的合同、记录单据，要提取文字做台账。
这些事情如果全靠人工敲键盘录入，不仅耗时，还极易出错。所以我一直琢磨着，能不能用脚本把 OCR 这件事彻底自动化。
二、传统 OCR 方案踩过的那些坑
为了找到合适的方案，我前前后后试了不少工具，每个都有让人抓狂的地方。
1. 传统 Python OCR 库
比如 pytesseract 这类老牌开源库，优点是免费、完全离线，但实际效果真的让人不敢恭维：
- 中文识别率忽高忽低，遇到花体字、复杂背景、表格排版就翻车；
- 对发票、社保、合同这类结构化文档基本无能为力——它只能"读出字"，却读不懂"字段含义"；
- 依赖链冗长，换台电脑就可能报错；
- 打包成 exe 后体积爆炸。
一句话总结：能跑，但不准、也不够聪明。
2. 在线 OCR 大模型 API
阿里百炼、火山引擎、智谱这类平台确实效果惊艳，我用了相当长一段时间。但后来还是决定弃用，原因如下：
- 免费额度捉襟见肘：个人玩玩还行，全公司推广很快就被刷光；
- 强制联网：财务发票、员工身份证、社保资料……一旦上传到公网服务器，心里难免犯嘀咕；
- 数据出境风险：目前虽然没爆出明确的隐私事件，但"数据上传"这件事本身就是风险点。公司业务数据、员工个人信息，能留在内网就别流出去。
于是我开始寻找一种既能享受大模型 OCR 的高准确率，又能完全本地运行、不花 API 费用、不上传数据的方案。最终答案就是：Ollama + 本地 OCR 大模型。
三、为什么最终选了 Ollama？
Ollama 应该是我目前用过最省心的本地大模型部署工具，没有之一。
下载地址： https://ollama.com/
- 安装零门槛：Windows、macOS、Linux 都有官方安装包，傻瓜式下一步；
- 模型仓库齐全：GLM-OCR、Qwen、Llama 等主流模型一键拉取；
- 命令行极简：
ollama run 模型名直接开跑； - API 兼容 OpenAI 接口：写脚本调用时，只需把 base_url 改成
http://localhost:11434即可无缝对接； - 完全离线运行：模型一旦下载到本地，后续推理再也不用联网，数据始终留在这台机器上。
对于我们这种"想自动识别发票、社保资料，又绝对不想让数据出公司"的需求，Ollama 简直是为它量身定做的。
四、完整实战：部署 GLM-OCR 并识别发票
下面把整个部署和调用过程完整还原，按步骤走基本不会出问题。
步骤 1：下载并安装 Ollama
访问 Ollama 官网，点击右上角 Download 按钮，选择 Windows 版本的安装包下载即可。安装过程和装普通软件一样，一路"下一步"就能搞定。
步骤 2：关闭自动更新（强烈建议）
安装完毕后，进入 Ollama 设置，务必关闭 "Auto-download updates" 这一项。原因是模型在推理过程中如果触发自动升级，可能会打断工作流，甚至带来不必要的网络请求。
如果你的 C 盘空间比较紧张，也可以把 Model location 路径改到 D 盘等容量大的分区，例如 D:\OLLAMA_MODELS。
步骤 3：拉取 OCR 模型
Ollama 官方仓库里就有专门的 OCR 模型，本次我选用的是 GLM-OCR。它主要分为以下几个版本：
| 版本 | 大小 | 适用场景 |
|---|---|---|
glm-ocr:latest | 2.2 GB | 标准版，精度与速度比较均衡 |
glm-ocr:q8_0 | 1.6 GB | 量化版，体积更小，推荐普通办公电脑 |
glm-ocr:bf16 | 2.2 GB | 高精度版，对显卡有一定要求 |
普通办公机推荐 glm-ocr:q8_0，仅 1.6 GB，识别速度和准确率都够用。拉取命令如下：
Bashollama run glm-ocr:q8_0首次运行会自动下载模型文件，等进度条跑完即可。
步骤 4：命令行快速验证
模型下载完成后，可以直接在命令行传入图片路径进行测试：
Bashollama run glm-ocr:q8_0 C:\Users\xiaobo_zhu\Pictures\Screenshots\1.png我测试的是一份公司制度文件的截图，模型很快返回了完整的文字内容，津贴、奖金、加班费等条款的排版基本和原图保持一致。
步骤 5：Ollama 客户端交互识别
除了命令行，Ollama 自带的桌面客户端也支持直接上传图片。操作流程很简单：
- 在模型下拉框中选择
glm-ocr:q8_0； - 把图片粘贴或拖入输入区；
- 在输入框中写提示词，例如：
Text识别这张图片中的所有文字，保持原有排版格式。或者针对发票这样写：
Text识别发票，提取发票代码、发票号码、开票金额、开票日期，输出 Markdown 表格。我实测上传了一张电子发票，模型直接返回了一个 HTML 表格，里面清清楚楚地列出了购买方、销售方、商品名称、金额、税率等字段，结构非常工整。
步骤 6：验证完全离线运行
为了打消"数据会不会偷偷上传"的顾虑，我专门做了一次断网测试：拔掉网线、关掉 Wi-Fi 后，Ollama 依然能正常加载本地模型并完成 OCR 识别。
这对财务、人事这类接触敏感数据的岗位来说，绝对是一颗定心丸。
总结：通过 Ollama 部署 GLM-OCR，本质上是把"大模型级别的 OCR 能力"装进了一台普通的办公电脑里——离线、免费、隐私安全，对于需要批量处理发票、证件、合同的企业和团队来说，是目前性价比最高的一条路径。