为什么选择 Pix2Text？
Pix2Text (P2T) 旨在成为 Mathpix 的免费开源 Python 替代品。它能够：
- 分析图片和 PDF 的版面（Layout Analysis），将文本、数学公式、图表、表格拆解开来。
- 识别不同语言的文字，包含英文和简体中文。
- 准确地检测并识别复杂的行内和行间数学公式，并转写为纯正的 LaTeX 代码。
准备与安装：创建隔离的 Python 运行环境
这套工具背后依赖大量的深度学习框架（例如 PyTorch），为了不污染操作系统的全局 Python 环境，推荐使用 venv 来创建独立的虚拟环境。
以下是具体的执行命令：
# 1. 切换到项目主目录
cd /Users/zhengqingwei/Downloads/Pix2Text-main
# 2. 创建名为 venv 的虚拟环境
python3 -m venv venv
# 3. 激活虚拟环境
source venv/bin/activate
# 4. 升级 pip 并执行安装
pip install --upgrade pip
# 安装支持多语言版和全功能依赖库的 Pix2Text 版本
pip install "pix2text[multilingual]"在执行 pip install "pix2text[multilingual]" 的过程中，系统会自动下载一系列依赖，包括 torch、torchvision、cnocr、cnstd、easyocr 等。安装视网络情况可能需要几分钟。
运行模型及核心下载项解析
Pix2Text 有多种不同的底层模型，分别负责不同的识别能力。在第一次执行预测脚本时，程序会自动从 HuggingFace 等开源平台缓存这些权重文件（大约占据以 GB 计的空间）：
- 版面分析 (Layout Analysis) 模型：使用的是
DocLayout-YOLO（位于~/.pix2text/1.1/layout-docyoco/doclayout_yolo_docstructbench_imgsz1024.pt）。它负责框出 PDF 里哪里是文字、哪里是公式。 - 文本检测模型：基于
CnSTD引擎的ch_PP-OCRv5_det_infer.onnx。 - 文本识别模型：基于
CnOCR的densenet_lite_136-gru。 - 数学公式检测 (MFD)：
pix2text-mfd-1.5.onnx。 - 数学公式识别 (MFR)：用来将截图渲染为 LaTeX，加载了
mfr-1.5的 ONNX 模型版本。
首次测试：快速扫描 PDF 前几页
对于一本厚达成百上千页的书（比如测试文件 book/surface.pdf），如果使用普通的 CPU 进行全量识别，可能需要运转几十分钟到数小时。因此，在正式挂机跑之前，强烈建议只测试前 1~3 页，以确保一切配置无误。
使用命令行参数中的 --rec-kwargs '{"page_numbers": [0, 1, 2]}' 来指定仅处理前三页：
# 确保在已激活 venv 的环境下
source venv/bin/activate
# 执行预测：-l 设定识别中英文，--file-type 为 pdf 格式，-i 输入源文件，-o 输出文件夹
p2t predict \
-l en,ch_sim \
--file-type pdf \
-i book/surface.pdf \
-o output-md \
--rec-kwargs '{"page_numbers": [0, 1, 2]}'运行结果：
输出会自动提取进 output-md 目录中。打开里面的 output.md，可以看到提取结果——带有完美包裹的 LaTeX 公式块：
## Theoretical Surface Science
$$
= \frac{1} {}
$$
AMcocopi Perspecive Second Edition进阶使用：全书转换
当前面几页的测试输出满足期待后，就可以不加页码限制，对全书逐页进行扫描与 OCR 重构：
source venv/bin/activate && p2t predict -l en,ch_sim --file-type pdf -i book/surface.pdf -o output-md可以将其放在终端后台长期运行。运行结束后，该目录下将会生成一份详尽的、包含可编辑 LaTeX 公式的完整 Markdown 书籍。
总结
Pix2Text 提供了出色的命令行封装接口和 Python API，即便不懂底层的 AI 框架和模型细节，也能通过简单的 pip install 和一行 p2t predict 轻松构建强大的学术 OCR 工作流。未来还可结合更高性能的显卡（GPU）对该过程进行成倍加速。