让AI读懂扫描件和PDF:Jina AI MCP的OCR阅读与extract_pdf提取进阶技巧
让AI读懂扫描件和PDF:Jina AI MCP的OCR阅读与extract_pdf提取进阶技巧
你有没有把一份扫描件或 arXiv 论文丢给 AI,结果却得到乱码、空白或丢失公式的回答?官方 Jina AI MCP Server(下称 Jina AI MCP)提供了开箱即用的 OCR 阅读 与 extract_pdf 提取 能力:把扫描件、PDF 的页面渲染成图片,让 AI 直接"看"页面内容,再输出干净的 Markdown,图表和公式都完整保留。本文带你掌握这套经过实测的进阶技巧。
Jina AI MCP是什么:给AI装上"会看PDF的眼睛"
Jina AI MCP 是一个远程 MCP 服务器,在线上提供 12 个工具,覆盖网页读取、全网搜索、学术论文搜索等能力。其中与 PDF 阅读直接相关的有两个:
| 工具 | 一句话说明 | 需要 API Key |
|---|---|---|
read_url |
把网页或 PDF 读成 Markdown;加上 ocr 参数即可"看见"扫描页面 |
可选 |
extract_pdf |
用版面检测把 PDF 里的图、表、公式切出来,以图片形式返回 | 必须 |
它是远程服务,不需要本地安装和常驻进程——把客户端配置指向服务端点即可,后面第六节给出完整配置。
为什么AI读不了扫描件?先看清普通读取的局限
普通的 read_url 读取走的是 HTML 源码解析:文字写在标记里才读得到。所以它会遇到两种典型失败:
- 扫描件、图片型 PDF:页面里没有文本层,普通读取几乎返回不了有用内容;
- 公式和表格被压平:即使有文本层,公式结构与表格结构在转换后也会丢失,AI 拿到的"数学"只剩一堆符号碎片。
这正是 OCR 阅读和 extract_pdf 要解决的问题。
OCR阅读进阶技巧:read_url + ocr 参数让AI看见每一页
1. 开启OCR只需一个参数:ocr: true
调用 read_url 时加上 ocr: true,服务端会把页面渲染成图片,交给 jina-ocr-v1 模型识别,返回的 Markdown 中公式与表格结构保持完整。参数定义见源码 read_url 的 ocr/page 参数:
{ "url": "https://arxiv.org/pdf/2609.03181", "ocr": true }
2. 多页文档如何翻页:用 page 参数逐页读
OCR 模式一次调用只解析一页:默认第 1 页,想读其他页就指定 page(从 1 开始):
{ "url": "https://arxiv.org/pdf/2609.03181", "ocr": true, "page": 2 }
长文档需要一页一调。注意:如果一次传入多个 URL 的数组,page 参数是整批共享的——同一批调用里所有 URL 都会按同一页解析,想读不同页必须分开调用。
3. 成本意识:HTML路径失败时再开OCR
OCR 按"每页一张图"计费,token 消耗远高于普通读取。官方在 20 页的 arXiv 论文上实测:
| 读取方式 | 返回内容 | 计费的 tokens |
|---|---|---|
| 普通读取(不开 ocr) | 49,466 字节(整个PDF) | 13,864 |
ocr: true |
2,963 字节(第 1 页) | 61,520 |
ocr: true, page: 2 |
2,749 字节(第 2 页) | 62,720(累计) |
💡 推荐习惯:先用普通读取(一次拿全文、最便宜),结果为空、乱码,或者需要保留公式/表格结构时,再对该页开启 OCR。完整说明见 README 官方文档 的 "Reading a scanned document or a PDF" 章节。
extract_pdf用法:把PDF里的图、表和公式"抠"出来
当 AI 不仅要"读",还要看懂 PDF 里的图表和公式时,用 extract_pdf。它基于版面检测,把每个图(figure)、表(table)、公式(equation)切出来,以图片 + 元数据的形式返回:
| 参数 | 说明 |
|---|---|
id |
arXiv 论文 ID,如 2301.12345 |
url |
任意 PDF 链接(id 和 url 二选一即可) |
max_edge |
输出图片最长边像素,默认 1024 |
type |
只保留指定类型,如 figure,table,equation |
返回内容分三部分:
- 汇总信息:元素总数、页数、处理耗时等;
- 逐元素元数据:类型、编号、标题说明(caption)、所在页码、尺寸;
- 元素图片本身(PNG),多模态模型可以直接"看图"理解内容。
两个实用细节:
- 一次最多返回 20 个元素,超出会被截断并提示你用
type过滤——比如只想看公式,就传type: "equation"; - 它是少数必须配置 API Key 才能用的工具,实测三篇论文的耗时约 12-16 秒。
实现细节可参考 extract_pdf 工具源码。
组合技:一套完整的PDF阅读工作流
进阶用法是把三步组合起来,层层兜底:
- 先普通读:直接
read_url,一次拿到全文,成本最低; - 读不到就开 OCR:加
ocr: true,用page指定页码逐页重读——专治扫描件和图片型 PDF; - 图表公式交给 extract_pdf:需要理解插图、表格、公式内容时,把它们提取成图片让模型识别。
另外,普通读取时还可以带 question 参数做"定向提问":页面会被切块并打分排序,只返回最相关的段落,实测能把返回量从几十字节级压到几百字节(例如 83,786 字节的文档页降到 874 字节),避免整篇文档塞满上下文。读取与切块重排的实现见 src/utils/read.ts。
快速接入:三步连上 Jina AI MCP
- 获取 Key:申请一个 Jina API Key(部分工具无 Key 也能用,但有限流;
extract_pdf必须有 Key); - 配置客户端:把下面这段加进你的 MCP 客户端配置,
${JINA_API_KEY}替换为真实 Key(部分客户端不支持环境变量,需直接硬编码jina_xxx开头的密钥):
{
"mcpServers": {
"jina-mcp-server": {
"url": "https://mcp.jina.ai/v1",
"headers": {
"Authorization": "Bearer ${JINA_API_KEY}"
}
}
}
}
- 按需裁剪工具:只用 PDF 相关工具?在服务端点上加过滤参数即可节省注册开销:
"jina-mcp-server": {
"url": "https://mcp.jina.ai/v1?include_tools=read_url,extract_pdf",
"headers": { "Authorization": "Bearer ${JINA_API_KEY}" }
}
若你的客户端还不支持远程 MCP,可用 mcp-remote 作为本地代理连接同一个服务端点(npx mcp-remote https://mcp.jina.ai/v1)。
常见问题速查
Q:extract_pdf 报"没有 API Key"?
该工具强制要求 Key,请检查配置里的 Authorization 请求头是否填了真实密钥。
Q:客户端里看不到 extract_pdf 等工具?
部分 MCP 客户端会缓存本地工具定义。把 jina-mcp-server 移除后重新添加,强制刷新缓存即可。
Q:为什么模型反复调用工具、任务读不完? 通常是上下文窗口太小:长工具调用链把上下文撑爆后,模型"忘了"任务开头,进入循环。加载模型时把 Context Length 调大即可:
Q:为什么 read_url 返回的内容被截断了?
Claude Code、Cursor 等客户端会对 MCP 响应施加约 25k token 的固定上限,服务端因此内置了 token 护栏自动裁剪并附上 <a href="https://link.gitcode.com/i/b4694a3e2e70d111964eb16e36f19759" target="_blank">jina-mcp] ... 说明。你可以用服务端点的 max_tokens 参数自定义预算(如 max_tokens=50000),max_tokens=0 可完全禁用截断,实现见 [src/index.ts。
写在最后
Jina AI MCP 把"读网页"升级成了"看文档":read_url 的 ocr 与 page 参数负责逐页识读扫描件和图片型 PDF,extract_pdf 负责把图表公式原样抠给模型。记住核心心法——先普通读、失败再 OCR、图表交给 extract_pdf——再配上按需裁剪工具的端点参数,你的 AI 就能低成本地读懂绝大多数 PDF 了。
