GLM-OCR命令行技巧：--stdout模式配合jq高效提取识别结果

GLM-OCR命令行技巧--stdout模式配合jq高效提取识别结果【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCRGLM-OCR是一款兼顾准确、快速与全面的开源文档解析工具支持图片/PDF的文字识别、版面分析与 Markdown 输出。本文分享 GLM-OCR 命令行技巧用--stdout模式把识别结果直接输出到标准输出再配合jq命令高效提取所需字段无需解析落盘文件轻松搭建程序化 OCR 流水线。为什么选择 --stdout 模式默认情况下glmocr parse会把 JSON 与 Markdown 结果写入输出目录。而加上--stdout后识别结果会以 JSON 格式直接打印到标准输出日志与进度条则走标准错误流因此 stdout 内容是干净的、可被管道直接消费的——这正是脚本集成最看重的特性。三个参数组合出不同的输出行为按需选择参数作用--stdout将 JSON及 Markdown结果输出到标准输出--no-save不将结果写入文件避免污染磁盘--json-only仅输出 JSON 结果跳过 Markdown 部分参数定义可参考 glmocr/cli.py。第一步拿到干净的 JSON 输出对单张图片最常用的组合是glmocr parse examples/source/page.png \ --stdout --no-save --json-only输出以 文件名 - JSON Result 标记开头其后是完整 JSON。批量解析时输入一个目录即可递归处理只需在管道中按标记分割、提取 JSON 块glmocr parse examples/source/ --stdout --no-save --json-only 2/dev/null \ | awk /^ .* - JSON Result $/{f1;next} /^ .* - Markdown Result $/{f0} f \ | jq -c fromjson? // empty 2/dev/null 小技巧2/dev/null丢弃进度条与日志保证管道里只有纯数据。第二步用 jq 精准提取字段GLM-OCR 的 JSON 结果是二维数组外层按页/文件分组内层每个元素包含index序号、labeltext / formula / table、content识别内容和bbox_2d坐标。完整样例见 examples/result/page/page.json。基于此结构常用提取一行搞定1. 提取全部识别文本... | jq -r .[][] | .content2. 只看表格label 为 table 的块... | jq -r .[][] | select(.labeltable) | .content3. 统计版面元素构成... | jq [.[][] | .label] | group_by(.) | map({(.[0]): length}) | add进阶--set 动态调参配合管道--set允许用点号路径临时覆盖配置无需准备 YAML 文件非常适合在流水线中按场景切换模式glmocr parse ./images/ --stdout --no-save --json-only \ --set pipeline.enable_layout false更多示例见 examples/example.py基于 Python API 的批量解析脚本配置文件参考 glmocr/config.yaml。快速参考需求命令要点只看结果不存文件--stdout --no-save只要 JSON 不要 Markdown追加--json-only多文件批量 jq 提取按 ... - JSON Result 标记分段后fromjson临时关闭版面检测--set pipeline.enable_layout false降低日志干扰--log-level WARNING 2/dev/null掌握--stdoutjq这套组合GLM-OCR 就能无缝嵌入 shell 脚本、CI 流水线与数据处理管道让 OCR 识别结果像 Unix 文本一样即取即用。【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考