DocSlight - 开源文档解析与文档数据提取引擎

作为 KDAN 生态的一部分，DocSlight 提供文档解析、OCR 与数据提取能力，可将 PDF、扫描件、图片和 Office 文件转化为适用于 RAG、AI Agent 与企业文档自动化的结构化数据。

如果你觉得 DocSlight 有帮助，欢迎在 GitHub 上给我们一个 ⭐ Star——这能帮助我们成长和改进！

有问题或想法？欢迎加入我们的 Discussions 参与讨论。

快速开始 • 产品版本对比 • 使用方式 • 效果测试与竞品对比 • Cloud API → • 文档

为什么选择 DocSlight？

与传统 OCR 工具不同，DocSlight 将 AI 驱动的文档解析、80+ 种语言的 OCR 以及结构化数据提取整合到一个开源平台中——既可本地部署，也可通过云端 API 使用，准确率更高。

核心优势

开源文档数据提取引擎——无厂商锁定
支持 80+ 语言 OCR，具备多语言自动检测
结构化字段提取，支持边界框（Bounding-Box）溯源
Markdown / JSON 输出，便于下游处理
提供 Web UI + CLI + Python SDK
支持本地部署或 Cloud API
专为 RAG、AI Agent 和企业文档工作流打造

适用场景

RAG 流水线与知识库构建
发票处理与文档信息提取
合同分析与条款解析
AI 助手与 AI Agent 工具集成
企业文档自动化与智能文档处理（IDP）

无论你是在构建个人 RAG 项目，还是大型企业文档自动化系统，DocSlight 都能为文档理解提供可扩展的坚实基础。

快速开始

云端模式（更高精度，提供免费额度）

# 1. 安装
pip install docslight

# 2. 设置 API 密钥
export COMPDF_API_KEY="your_public_key"    # 前往 https://compdf.com 获取

# 3. 使用云端引擎解析
docslight parse invoice.pdf --mode cloud --output invoice.md

获取API Key： 登录 ComPDF 控制台。在 API 密钥页面创建或复制您的 publicKey。

本地模式（免费，无需注册）

# 1. 安装
pip install docslight

# 2. 解析文档
docslight parse invoice.pdf --mode local --output invoice.md

# 3. 获取结构化结果
ls invoice.zip

Web UI（浏览器）

# 启动 Web 界面
git clone https://github.com/ComPDF/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打开 http://localhost:3022 → 拖拽文件即可

以上功能均可在 ComPDF 上体验使用，→体验地址

产品版本对比

需要工作流自动化、RBAC、审计日志、私有部署或专属支持？ 了解企业版： https://www.compdf.com/ai/docslight

功能特性	DocSlight Lite（本地）	DocSlight-Lite（云端）	DocSlight Enterprise（SaaS）	DocSlight Enterprise（私有化部署）
本地文件上传	✅	✅	✅	✅
云端文件上传	❌	❌	✅	✅
DMS 文件上传	❌	❌	✅	✅
扫描仪文件上传	❌	❌	✅	✅
PDF 解析	✅	✅	✅	✅
图片解析	✅	✅	✅	✅
Word / PPT / Excel 解析	✅	✅	✅	✅
Markdown 输出	✅	✅	✅	✅
JSON 输出	✅	✅	✅	✅
PDF 数据提取	需要本地 LLM	✅	✅	✅
图片数据提取	需要本地 LLM	✅	✅	✅
Word / PPT / Excel 数据提取	需要本地 LLM	✅	✅	✅
旧版 Office 格式解析与提取（.doc/.ppt/.xls）	❌	✅	✅	✅
批量处理	✅	❌	✅	✅
自动分类	❌	❌	✅	✅
人工审核工作流	❌	❌	✅	✅
复杂版面分析	基础	高级	高级	高级
OCR 优化	基础	高级	高级	高级
结果溯源	❌	❌	✅	✅
结果后处理	❌	❌	✅	✅
智能结果审核	❌	❌	✅	✅
自定义规则告警	❌	❌	✅	✅
Webhook 集成	❌	❌	✅	✅
API 管理	❌	有限	✅	✅
知识库集成	❌	❌	✅	✅
审计日志	❌	❌	✅	✅
RBAC	❌	❌	✅	✅
多租户支持	❌	❌	❌	✅
私有化部署	仅限本地	❌	❌	✅
专用 GPU	❌	❌	可选	✅

输入/输出格式矩阵

输入类型	扩展名	云端解析	本地解析	云端提取	本地提取	解析输出	提取输出	说明
PDF	`.pdf`	✅	✅	✅	✅ 需要本地 LLM	Markdown、JSON、标准 JSON、ZIP	JSON	本地 PDF 解析会使用栅格化/OCR 流程。
图片	`.png`、`.jpg`、`.jpeg`、`.tif`、`.tiff`、`.bmp`、`.webp`	✅	✅	✅	✅ 需要本地 LLM	Markdown、JSON、标准 JSON、ZIP	JSON	本地图片解析会将每张图片视为一页。
Word	`.docx`	✅	✅	✅	✅ 需要本地 LLM	Markdown、JSON、标准 JSON、ZIP	JSON	本地不支持旧版 `.doc`。
PowerPoint	`.pptx`	✅	✅	✅	✅ 需要本地 LLM	Markdown、JSON、标准 JSON、ZIP	JSON	本地不支持旧版 `.ppt`。
Excel	`.xlsx`	✅	✅	✅	✅ 需要本地 LLM	Markdown、JSON、标准 JSON、ZIP	JSON	本地不支持旧版 `.xls`。
旧版 Office	`.doc`、`.ppt`、`.xls`	取决于云端 API 支持	❌	取决于云端 API 支持	❌	云端结果格式	JSON	本地处理前请先转换为 `.docx`、`.pptx` 或 `.xlsx`。

docslight convert-parse-json 接收本地解析的 JSON 对象，并输出标准解析的 JSON schema；它不直接处理原始文档文件。

安装与首次运行

DocSlight 支持 Python 3.10 到 3.13。

pip install "docslight"

云端模式需要网络访问和有效的 ComPDF Cloud API Key。本地模式默认使用 CPU；OCR 和 LLM 的耗时取决于文档大小、硬件性能和所选模型。

使用场景

RAG 流水线 — 解析文档 → 向量化嵌入 → LLM 查询
发票处理 — 提取发票号、日期、金额、明细项
合同分析 — 解析条款、当事方、日期，支持边界框溯源
文档数字化 — 批量将扫描档案转换为可搜索文本
AI Agent 集成 — 为 Claude / ChatGPT 提供 MCP 文档读取服务

可运行的示例代码位于 examples/：

使用方式

Python SDK

from docslight import Parser

# 本地模式 — 开源 OCR 和文档解析
parser = Parser(mode="local")
result = parser.parse("contract.pdf")
print(result.text)                    # 完整 Markdown 文本
print(result.metadata)                # 页码、区块、边界框

# 云端模式 — 更高精度的 PDF 解析
parser = Parser(mode="cloud", api_key="your_key")
result = parser.parse("invoice.pdf")
print(result.text)
print(result.tables)                  # 结构化表格数据
print(result.blocks[0].bbox)          # 边界框溯源

CLI

# 解析 PDF 为 Markdown
docslight parse document.pdf --mode cloud -o document.md

# 解析为 JSON 或标准 JSON
docslight parse scan.png --mode cloud --format json -o scan.json
docslight parse scan.png --mode cloud --format standard-json -o standard.json

# 解析并输出 ZIP 归档
docslight parse invoice.pdf --mode local --format zip -o invoice.zip

# 字段提取（云端模式）
docslight extract invoice.pdf --mode cloud --fields invoice_no,date,total
docslight extract invoice.pdf --schema schema.json
docslight extract invoice.pdf --document-types document-types.json

# 本地 LLM 提取
docslight extract invoice.pdf --mode local --fields invoice_no,total --local-llm-provider ollama --local-llm-model llama3.1

# 转换本地解析 JSON 为标准解析 JSON
docslight convert-parse-json parse.json -o standard.json

# 启动本地 API 服务
docslight web --host 127.0.0.1 --port 8000 --debug

CLI 命令

docslight parse INPUT [OPTIONS]
docslight extract INPUT [OPTIONS]
docslight convert-parse-json INPUT [OPTIONS]

parse / extract 通用参数

参数	可选值 / 默认值	说明
`INPUT`	文件路径	要处理的文档路径。
`--mode`	`cloud`、`local`；默认来自配置/环境变量或 `cloud`	选择 ComPDF Cloud 或本地离线处理。
`--api-key`	字符串	云端 API 密钥，覆盖 `COMPDF_API_KEY`。
`--base-url`	URL；默认 `https://api-server.compdf.com`	云端 API 基础 URL，覆盖 `DOCSLIGHT_BASE_URL`。
`--local-parser`	字符串	本地解析器选择器，当前作为本地解析器配置预留。
`--local-llm-provider`	`ollama`、`openai`、`openai-compatible`；使用任意本地 LLM 参数时默认 `ollama`	本地结构化提取所用的 LLM 提供商。
`--local-llm-model`	字符串	本地结构化提取所用模型；本地 LLM 提取时必填。
`--local-llm-base-url`	URL	本地 LLM 端点。Ollama 默认 `http://localhost:11434`；OpenAI-compatible 提供商必须指定。
`--local-llm-api-key`	字符串	本地 LLM API 密钥。Ollama 默认 `ollama`。

parse 参数

参数	可选值 / 默认值	说明
`--output`、`-o`	文件路径	将输出写入文件；不指定时输出到标准输出。
`--format`	`markdown`、`json`、`standard-json`、`zip`；默认 `markdown`	解析输出格式。若省略 `--output` 且以 `.zip` 结尾，会自动推断为 `zip`。

markdown 输出解析后的 Markdown；json 输出 SDK 解析结果；standard-json 输出标准解析 JSON schema；zip 输出原始解析归档，通常应配合 --output 使用。

extract 参数

参数	可选值 / 默认值	说明
`--output`、`-o`	文件路径	将提取结果 JSON 写入文件；不指定时输出到标准输出。
`--fields`	逗号分隔字段名，例如 `invoice_no,total`	指定需要提取的字段。
`--schema`	JSON 文件路径	抽取 schema 的 JSON 文件。CLI 会读取该文件，并把 JSON 对象传给 `extract`；常见内容是 `{"fields": ["invoice_no", "date", "total"]}`。也兼容带 `properties` 的 JSON Schema 风格对象。
`--document-types`	JSON 文件路径	文档类型路由文件；JSON 根节点必须是列表，例如 `["invoice", "receipt"]`。

schema.json 示例：

{
  "fields": ["invoice_no", "date", "total"]
}

convert-parse-json 参数

参数	可选值 / 默认值	说明
`INPUT`	JSON 文件路径	要转换的本地解析 JSON；JSON 根节点必须是对象。
`--output`、`-o`	文件路径	将转换后的标准解析 JSON 写入文件；不指定时输出到标准输出。

环境变量与配置文件

变量	说明
`COMPDF_API_KEY`	云端模式 API 密钥。
`DOCSLIGHT_MODE`	处理模式：`cloud` 或 `local`，默认 `cloud`。
`DOCSLIGHT_BASE_URL`	云端 API 基础 URL，默认 `https://api-server.compdf.com`。
`DOCSLIGHT_TIMEOUT`	云端请求超时时间，单位秒，默认 `30`。
`DOCSLIGHT_LOCAL_PARSER`	本地解析器选择器。

DocSlight 也会读取 ~/.docslight/config.toml。配置优先级为：内置默认值、配置文件、环境变量、显式 SDK 或 CLI 参数。

mode = "cloud"
api_key = "your-api-key"
base_url = "https://api-server.compdf.com"
timeout = 30
local_parser = "paddleocr"  # 本地解析器配置预留

[local_llm]
provider = "ollama"
model = "llama3.1"
base_url = "http://localhost:11434"
api_key = "ollama"
timeout = 120

CLI 暴露了主要的本地 LLM 设置。extra_body 等高级本地 LLM 提供商设置可通过 SDK 或 ~/.docslight/config.toml 配置。

Docker

git clone https://github.com/ComPDF/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打开 http://127.0.0.1:3022

竞品对比

能力	DocSlight	MinerU	PDF-Extract-Kit	ExtractThinker
PDF 解析	✅	✅	✅	⚠️
OCR 支持	✅	⚠️	✅	❌
数据提取	✅	❌	❌	✅
Web UI	✅	❌	❌	❌
CLI	✅	✅	✅	❌
Python SDK	✅	✅	✅	⚠️
Cloud API	✅	❌	❌	❌
企业部署	✅	❌	❌	❌
Markdown 输出	✅	✅	✅	⚠️
JSON 输出	✅	✅	✅	✅
多语言 OCR	✅	⚠️	⚠️	❌
商业支持	✅	❌	❌	❌

架构

┌─────────────────────────────────────────────────────────────────────────────────┐
│                           DocSlight 开源文档解析与提取引擎                        │
│                          （LGPL 协议 | 本地 + 云端双模式）                       │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                        接入方式层（入口）                                       │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────────────┐   ┌────────────────────────┐  ┌───────────────────┐ │
│  │     Docker Web UI（主推）  │  │           CLI           │  │     Python SDK    │ │
│  │  一键容器化部署，开箱即用     │  │        命令行工具         │  │  原生代码集成      │ │
│  │                           │  │                         │  │                  │ │
│  │  docker compose -f        │  │docslight parse <file>   │  │  from docslight  │ │
│  │  docker/compose.yml up    │  │                         │  │  import Parser   │ │
│  │                           │  │docslight extract <file> │  │  parser.parse()  │ │
│  │  浏览器访问 http://localhost│  │                        │  │                   │ │
│  │  :3022                    │  │  docslight web         │  │                   │ │
│  └───────────────────────────┘  └────────────────────────┘  └───────────────────┘ │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           核心处理路由层（Router）                               │
│                   根据 --mode / 配置 自动切换 本地 / 云端 引擎                    │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                    ┌─────────────────┴─────────────────┐
                    │                                   │
                    ▼                                   ▼
┌───────────────────────────────────┐   ┌─────────────────────────────────────┐
│        🖥️ 本地模式（Lite Local）   │   │        ☁️ 云端模式（Lite Cloud）    │
│   （免费，离线运行，CPU 支持）     │   │   （高精度，需 API Key，GPU 加速） │
├───────────────────────────────────┤   ├─────────────────────────────────────┤
│  • 输入格式：                      │   │  • 输入格式：                       │
│    PDF / 图片 / 新版 Office       │   │    + 老格式 Office (.doc/.xls等)   │
│    (.docx/.pptx/.xlsx)           │   │                                     │
│  • 基础 OCR：PaddleOCR            │   │  • 高精度 VLM OCR 引擎             │
│  • 基础版面分析                   │   │  • 复杂版面分析（表格/公式/多栏）   │
│  • 字段抽取：需自配本地 LLM       │   │  • 内置 AI 字段抽取                │
│    （Ollama/OpenAI兼容）          │   │  • 边界框（BBox）精准溯源          │
│  • 输出：Markdown / JSON / Text   │   │  • 输出：Markdown / JSON / Text    │
└───────────────────────────────────┘   └─────────────────────────────────────┘
                    │                                   │
                    └─────────────────┬─────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                          AI 能力层（引擎模块）                                  │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────┐  ┌──────────────────┐  ┌─────────────────────────────┐  │
│  │   OCR 引擎       │  │   结构分析器     │  │   字段抽取模块               │  │
│  │  • 本地：         │  │  • 区块分类      │  │  • 模板抽取                 │  │
│  │  PaddleOCR       │  │  • 表格检测      │  │  • 自定义字段               │  │
│  │  • 云端：         │  │  • 键值对映射    │  │  • 规则 + LLM 结合          │  │
│  │  VLM 引擎        │  │  • 公式识别      │  │  • BBox 溯源                │  │
│  └──────────────────┘  └──────────────────┘  └─────────────────────────────┘  │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           输出与生态层（Output & Ecosystem）                    │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│   ┌───────────────┐   ┌───────────────┐   ┌───────────────────────────────┐  │
│   │  标准输出格式  │   │  AI 生态集成  │   │  企业版扩展（SaaS / 私有化）  │  │
│   │  • Markdown   │   │  • LangChain  │   │  • 工作流编排                 │  │
│   │  • JSON       │   │  • LlamaIndex │   │  • 知识库 / DMS               │  │
│   │  • Text       │   │  • CrewAI     │   │  • RBAC / 审计日志            │  │
│   │  • 含 BBox    │   │  • AutoGen    │   │  • 智能审核 / 自定义规则      │  │
│   │    坐标溯源   │   │  • Haystack   │   │  • 多租户 / 私有化部署        │  │
│   └───────────────┘   └───────────────┘   └───────────────────────────────┘  │
│                                                                                 │
│   ┌──────────────────────────────────────────────────────────────────────────┐ │
│   │  目标场景：RAG 流水线 / AI Agent / 企业文档自动化 / 智能文档处理（IDP） │ │
│   └──────────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────────┘

专为 AI Agent 与 RAG 打造

DocSlight 帮助开发者使用开源 PDF 解析和开源文档数据提取技术，构建现代化的 AI 文档工作流。

常见应用

RAG 系统
AI 助手
企业知识库
AI Agent 工作流
文档搜索引擎
MCP 应用
智能文档处理（IDP）——适用于任意规模的开源 IDP

兼容生态

OpenAI
Claude
Ollama
LangChain
LlamaIndex
CrewAI
AutoGen
Haystack

典型工作流

PDF / 图片 / Office 文档
            ↓
        docslight
            ↓
Markdown / JSON 输出
            ↓
向量数据库
            ↓
LLM / AI Agent
            ↓
答案与自动化

效果测试与竞品对比

模型类型	方法	参数量	综合得分↑	TextEdit↓	FormulaCDM↑	TableTEDS↑	TableTEDS-S↑	Read OrderEdit↓
DocSlight（云端）	Specialized VLMs	0.9B	96.45	0.0321	97.76	94.80	97.02	0.131
MinerU2.5-Pro	Specialized VLMs	1.2B	95.75	0.036	97.45	93.42	95.92	0.120
GLM-OCR	Specialized VLMs	0.9B	95.22	0.044	97.18	92.83	95.39	0.133
PaddleOCR-VL-1.5	Specialized VLMs	0.9B	94.93	0.038	96.89	91.67	94.37	0.130
Ovis2.6-30B-A3B	Specialized VLMs	30B	93.70	0.035	95.17	89.44	92.40	0.135
Logics-Parsing-v2	Specialized VLMs	4B	93.33	0.041	95.65	88.42	91.98	0.137
HunyuanOCR	Specialized VLMs	1B	89.95	0.088	87.68	91.01	93.23	0.171
Qwen3-VL-235B	General VLMs	235B	89.78	0.063	92.55	83.07	86.75	0.166
Dolphin-v2	Specialized VLMs	3B	89.50	0.069	91.01	84.40	87.44	0.150
GPT-5.2	通用 VLM	-	86.59	0.114	88.21	82.95	87.93	0.193
Mistral OCR	Specialized VLMs	-	85.66	0.097	89.91	76.78	80.93	0.171
Nanonets-OCR-s	Specialized VLMs	3B	83.61	0.108	81.46	80.18	84.51	0.213
Marker	Pipeline Tools	-	78.44	0.157	85.24	65.77	73.24	0.243

方法说明： 基于人工标注的真实数据，以字符级准确率衡量，测试集涵盖 500+ 份企业文档（发票、合同、表格、报告）。测试集可在 benchmarks/dataset 获取。

安装包说明

包	描述
`docslight`	核心 CLI + Python SDK

pip install "docslight"

支持

有建议？立即发起讨论。如果你觉得 DocSlight 有帮助，欢迎在 GitHub 上给我们一个 ⭐ Star——这能帮助我们成长和改进！

📄 许可证

DocSlight 采用 LGPL 开源协议发布。

商业 / 企业许可证（支持 GPU 私有化部署）可在 compdf.com 获取。

由 ComPDF 团队打造。
官网 · 文档 · 企业咨询

Navigation Menu

Uh oh!

DocSlight - 开源文档解析与文档数据提取引擎

为什么选择 DocSlight？

核心优势

适用场景

快速开始

云端模式（更高精度，提供免费额度）

本地模式（免费，无需注册）

Web UI（浏览器）

产品版本对比

输入/输出格式矩阵

安装与首次运行

使用场景

使用方式

Python SDK

CLI

CLI 命令

parse / extract 通用参数

parse 参数

extract 参数

convert-parse-json 参数

环境变量与配置文件

Docker

竞品对比

架构

专为 AI Agent 与 RAG 打造

常见应用

兼容生态

典型工作流

效果测试与竞品对比

安装包说明

支持

📄 许可证

Uh oh!

FilesExpand file tree

README_CN.md

Latest commit

History

README_CN.md

File metadata and controls

DocSlight - 开源文档解析与文档数据提取引擎

为什么选择 DocSlight？

核心优势

适用场景

快速开始

云端模式（更高精度，提供免费额度）

本地模式（免费，无需注册）

Web UI（浏览器）

产品版本对比

输入/输出格式矩阵

安装与首次运行

使用场景

使用方式

Python SDK

CLI

CLI 命令

parse / extract 通用参数

parse 参数

extract 参数

convert-parse-json 参数

环境变量与配置文件

Docker

竞品对比

架构

专为 AI Agent 与 RAG 打造

常见应用

兼容生态

典型工作流

效果测试与竞品对比

安装包说明

支持

📄 许可证