Ollama OCR 大模型：让发票、社保、照片识别在本地跑起来

Ollama OCR 大模型：让发票、社保、照片识别在本地跑起来

一、为什么我对 OCR 这么上心？

平时给公司写脚本，接触最多的就是人事、财务、行政的同事。他们的需求听起来很杂，但总结下来几乎都离不开一件事：

把图片里的文字变成可编辑、可统计的数据。

举几个最常见的场景：

• 发票报销：一张张电子发票、纸质发票，要提取发票代码、发票号码、开票金额、开票日期；
• 社保资料：身份证、社保卡、银行卡照片，要识别姓名、身份证号、卡号；
• 制度文件：公司发的 PDF 或截图，要转成 Word 或 Excel 继续处理；
• 照片归档：现场拍照的记录、合同照片，要提取文字做台账。

 

这些工作如果靠人工一条一条录入，费时费力还容易出错。所以我一直想通过脚本把 OCR 自动化，解放大家双手。

二、传统 OCR 方案的痛点

我前前后后试了不少方案，发现都有各自的坑。

1. Python 传统 OCR 库

像 pytesseract 这类开源库，胜在免费、离线，但识别效果一言难尽：

• 对中文识别率不稳定，尤其是字体复杂、背景干扰、表格排版时；
• 对发票、社保、合同这种结构化文档，基本只能“读出文字”，很难“理解字段”；
• 部署依赖多，不同电脑环境还容易报错。
• 而且打包exe会特别大

一句话：能跑，但不够准、不够智能。

2. 在线 OCR 大模型

现在市面上有很多免费的在线 OCR 大模型，比如阿里百炼、火山引擎、智谱等，识别效果确实好。但用了一段时间后，我发现几个问题：

• 免费额度有限：个人用用还行，一旦全公司推广，额度很快就见底；
• 必须联网：财务发票、社保资料、身份证照片……这些东西要传到公网服务器，心里多少有点不踏实；
• 隐私风险：虽然现在看不到明确的隐私问题，但“上传了”本身就是风险。公司业务数据、员工个人信息，能不出公司就不出公司。

所以我就开始琢磨：有没有一种方案，既能享受大模型 OCR 的准确率，又能完全本地运行、不花 API 钱、不上传数据？

答案就是：Ollama + 本地 OCR 大模型。

三、为什么选 Ollama？

Ollama 是我个人觉得目前部署本地大模型最省心的工具之一。

• 一键安装：Windows、macOS、Linux 都有官方安装包；
• 模型仓库丰富：可以直接下载 GLM-OCR、Llama、Qwen 等模型；
• 命令行简单：ollama run 模型名 就能跑起来；
• API 兼容 OpenAI：写脚本调用时，基本把 URL 改成 http://localhost:11434 就能用；
• 完全离线：模型下载到本地后，后续推理不需要联网，数据不出本机。

对于我们这种“想自动识别发票、社保资料，但又不想把数据传出去”的场景，Ollama 非常合适。

四、实战：部署 GLM-OCR 并识别发票

下面我把这次实践的完整过程整理一下，照着做基本不会错。

步骤 1：下载安装 Ollama

打开 Ollama 官网，点击右上角 Download 按钮，选择 Windows 版本下载安装包即可。安装过程和普通软件一样，一路下一步就行。

步骤 2：关闭自动更新（可选但推荐）

安装完成后，打开 Ollama 设置，建议关闭 Auto-download updates，避免模型在使用过程中被自动升级或网络请求打断。如果 C 盘空间紧张，也可以把 Model location 改成 D 盘等其他目录，比如 D:\MODE。

步骤 3：下载 OCR 模型

Ollama 的模型库里有专门的 OCR 模型，这次我用的是 GLM-OCR。它有几个版本：

版本	大小	适用场景
glm-ocr:latest	2.2 GB	标准版，精度与速度均衡
glm-ocr:q8_0	1.6 GB	量化版，更轻量，适合普通办公电脑
glm-ocr:bf16	2.2 GB	精度更高，对显卡要求也更高

普通办公电脑推荐 glm-ocr:q8_0，只有 1.6 GB，识别速度和效果都够用。

下载命令：

ollama run glm-ocr:q8_0

第一次运行会自动下载模型，耐心等待进度条跑完即可。

步骤 4：命令行快速测试

模型下载完成后，在命令行直接输入图片路径，就能让模型识别：

ollama run glm-ocr:q8_0
C:\Users\xiaobo_zhu\Pictures\Screenshots\1.png

我测试的是一份公司制度截图，模型很快就返回了完整的文字内容，包括津贴、奖金、加班费等条款，排版基本保持原样。

步骤 5：Ollama 客户端交互识别

除了命令行，Ollama 自带的客户端也能直接上传图片。选择模型 glm-ocr:q8_0，粘贴图片或截图，然后在输入框里写提示词：

识别这张图片中的所有文字，保持原有排版格式。

或者直接针对发票提要求：

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。

我上传了一张电子发票，模型直接返回了包含购买方、销售方、项目名称、金额、税率等信息的 HTML 表格，结构非常清晰。

步骤 6：验证完全离线也能跑

为了确认数据真的不会外传，我特意测试了没有网络连接的情况：拔掉网线或关闭 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、人事这种敏感数据场景来说，是一颗定心丸。

五、更进一步：用脚本批量识别发票

Ollama 最大的价值不只是“能聊天”，而是可以像调用本地 API 一样被脚本调用。

Ollama 默认监听 http://localhost:11434，接口兼容 OpenAI 格式。用 Python 写个脚本，把图片转成 base64 传进去，就能批量提取发票信息。

下面是一个最简示例：

import requests
import base64

# 读取图片并转 base64
withopen("invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# 调用本地 Ollama 模型
response = requests.post(
    "http://localhost:11434/v1/chat/completions",
    json={
        "model": "glm-ocr:q8_0",
        "messages": [
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "识别发票，提取发票代码、发票号码、开票金额、开票日期，以 JSON 格式返回。"},
                    {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{image_base64}"}}
                ]
            }
        ]
    }
)

print(response.json()["choices"][0]["message"]["content"])

基于这个思路，我已经做了一个小工具：

• 选择发票图片；
• 自动调用 GLM-OCR 提取发票代码、号码、金额、日期；
• 结果添加到表格，支持导出 Excel。

这样财务同事以后报销，直接拖图片进去，点“识别”，就能批量整理发票信息，再也不用人工录入。

六、总结一下

如果你也和我一样，经常需要：

• 识别发票、社保资料、身份证照片；
• 把图片里的文字自动化整理成 Excel/Word；
• 担心在线 API 的隐私和费用问题；

那么强烈建议试试 Ollama + GLM-OCR 这条路线。

它的核心优势就是三点：

1. 完全离线：模型跑在本地，敏感数据不上传；
2. 一次下载，长期使用：没有 API 调用次数和费用的焦虑；
3. 脚本化友好：可以嵌入 Python、PowerShell 或任何能调用 HTTP 的工具，真正
   做到办公自动化。

PS：其实我不是特别乐意写脚本，因为我发现业务+人事+财务其实很抵触这种，因为如果这种事都可以通过脚本来解决处理，他们是不是闲了，闲了的话领导是不是要安排其他工作，或者淘汰一部分人，工作是干不完的，但是我也没办法，我们领导让我搞，我也只能搞！一级一级压！

看完不过瘾，那就自己发一篇吧！