Skip to content

README_TW.md

Latest commit

 

History

History
437 lines (346 loc) · 29.8 KB

README_TW.md

File metadata and controls

437 lines (346 loc) · 29.8 KB
Raw

English | 繁體中文 | 简体中文

DocSlight - 開源文件解析與文件資料提取引擎

使用 DocSlight，精準解析並擷取任意文件中的資料，包括 PDF、掃描檔、圖片和 Office 文件。這是來自 ComPDF（KDAN 生態系統）的開源 AI 專案。

  • 如果你覺得 DocSlight 有幫助，歡迎在 GitHub 上給我們一個 ⭐ Star，這能幫助我們成長與改進。
  • 有問題或想法？歡迎加入我們的 Discussions 參與討論。

License Python GitHub Stars PyPI PRs Welcome

快速開始 • 產品版本對比 • 使用方式 • 基準測試 • Cloud API → • 文件

為什麼選擇 DocSlight？

與傳統 OCR 工具不同，DocSlight 將 AI 驅動的文件解析、80+ 語言的 OCR，以及結構化資料擷取整合到一個開源平台中。你可以選擇地端部署，或透過雲端 API 使用以獲得更高準確率。

核心優勢

  • 開源文件資料擷取引擎，沒有廠商鎖定
  • 支援 80+ 語言 OCR，具備多語言自動偵測
  • 結構化欄位擷取，支援邊界框（Bounding Box）溯源
  • Markdown / JSON 輸出，便於下游處理
  • 提供 Web UI + CLI + Python SDK
  • 支援地端部署或 Cloud API
  • 專為 RAG、AI Agent 與企業文件工作流程打造

適用場景

  • RAG 管線與知識庫建構
  • 發票處理與文件資訊擷取
  • 合約分析與條款解析
  • AI 助手與 AI Agent 工具整合
  • 企業文件自動化與智慧文件處理（IDP）

無論你是在建構個人 RAG 專案，還是大型企業文件自動化系統，DocSlight 都能為文件理解提供可擴展的堅實基礎。

DocSlight Demo

快速開始

雲端模式（更高精確度，提供免費額度）

# 1. 安裝
pip install docslight

# 2. 設定 API 金鑰
export COMPDF_API_KEY="your_public_key"    # 前往 https://compdf.com 取得

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

獲取API Key： 登入 ComPDF Console。在 API Key 頁面建立或複製你的 publicKey。

get-license-en

地端模式（免費，無需註冊）

# 1. 安裝
pip install docslight

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

# 3. 取得結構化結果
ls invoice.zip

Web UI（瀏覽器）

# 啟動 Web 介面
git clone https://github.com/ComPDFKit/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打開 http://localhost:3022 並拖曳檔案即可

以上功能均可於 ComPDF 上體驗使用，→ 體驗地址

產品版本對比

需要工作流程自動化、RBAC、稽核日誌、私有部署或專屬支援？了解企業版： https://www.compdf.com/ai/docslight

功能特性 DocSlight Lite（地端） DocSlight-Lite（雲端） DocSlight Enterprise（SaaS） DocSlight Enterprise（私有化部署）
地端檔案上傳 ✅ ✅ ✅ ✅
雲端檔案上傳 ❌ ❌ ✅ ✅
DMS 檔案上傳 ❌ ❌ ✅ ✅
掃描器檔案上傳 ❌ ❌ ✅ ✅
PDF 解析 ✅ ✅ ✅ ✅
圖片解析 ✅ ✅ ✅ ✅
Word / PPT / Excel 解析 ✅ ✅ ✅ ✅
Markdown 輸出 ✅ ✅ ✅ ✅
JSON 輸出 ✅ ✅ ✅ ✅
PDF 資料擷取 需要地端 LLM ✅ ✅ ✅
圖片資料擷取 需要地端 LLM ✅ ✅ ✅
Word / PPT / Excel 資料擷取 需要地端 LLM ✅ ✅ ✅
舊版 Office 格式解析與擷取（.doc/.ppt/.xls） ❌ ✅ ✅ ✅
批次處理 ✅ ❌ ✅ ✅
自動分類 ❌ ❌ ✅ ✅
人工審核工作流程 ❌ ❌ ✅ ✅
複雜版面分析 基礎 進階 進階 進階
OCR 最佳化 基礎 進階 進階 進階
結果溯源 ❌ ❌ ✅ ✅
結果後處理 ❌ ❌ ✅ ✅
智慧結果審核 ❌ ❌ ✅ ✅
自訂規則警示 ❌ ❌ ✅ ✅
Webhook 整合 ❌ ❌ ✅ ✅
API 管理 ❌ 有限 ✅ ✅
知識庫整合 ❌ ❌ ✅ ✅
稽核日誌 ❌ ❌ ✅ ✅
RBAC ❌ ❌ ✅ ✅
多租戶支援 ❌ ❌ ❌ ✅
私有化部署 僅限地端 ❌ ❌ ✅
專用 GPU ❌ ❌ 可選 ✅

使用場景

  • RAG 管線 — 解析文件 -> 向量化嵌入 -> LLM 查詢
  • 發票處理 — 擷取發票號碼、日期、金額與明細項
  • 合約分析 — 解析條款、當事方與日期，支援邊界框溯源
  • 文件數位化 — 批次將掃描檔案轉換為可搜尋文字
  • AI Agent 整合 — 為 Claude / ChatGPT 提供 MCP 文件讀取服務

可執行的範例程式碼位於 examples/：

使用方式

Python SDK

from docslight import Parser

# 地端模式 — 開源 OCR 與文件解析
parser = Parser(mode="local")
result = parser.parse("contract.pdf")
print(result.text)                    # 完整 Markdown 文字
print(result.metadata)                # 頁碼、區塊、邊界框

# 雲端模式 — 更高精確度的 PDF 解析
parser = Parser(mode="cloud", api_key="your_key")
result = parser.parse("invoice.pdf")
print(result.text)
print(result.tables)                  # 結構化表格資料
print(result.blocks[0].bbox)          # 邊界框溯源

CLI

# 解析 PDF 為 Markdown
docslight parse document.pdf -o md

# 解析圖片為 JSON（含邊界框）
docslight parse scan.png -o json --bbox

# 欄位擷取（雲端模式）
docslight extract invoice.pdf --schema '{"fields": ["invoice_no", "date", "total"]}'

# 監聽目錄中的新檔案
docslight watch ./incoming/ --cloud

Parse | extract 命令列參數

docslight parse [options] <input>
docslight extract [options] <input>
選項 描述
input 必填的輸入檔案路徑。
--mode {cloud,local} 必填的處理模式。使用 cloud 對應 ComPDF Cloud，或使用 local 進行離線地端處理。
--api-key API_KEY 雲端 API 金鑰。雲端模式下必填，除非已設定 DOCSLIGHT_API_KEY。
--base-url BASE_URL 可選的自訂雲端 API 基礎 URL。
--output, -o OUTPUT 輸出檔案路徑。對於文字格式，預設輸出到標準輸出；對於 ZIP 輸出則為必填或建議指定。
--format {markdown,json,standard-json,zip} 解析輸出格式。若未指定，預設為 Markdown，除非輸出路徑以 .zip 結尾。
--local-parser LOCAL_PARSER 地端模式下可選的本地解析器選擇器。
--local-llm-provider LOCAL_LLM_PROVIDER 地端 LLM 提供商設定。僅解析流程不需要此參數。
--local-llm-model LOCAL_LLM_MODEL 地端 LLM 模型名稱。僅解析流程不需要此參數。
--local-llm-base-url LOCAL_LLM_BASE_URL 地端 LLM 端點基礎 URL，適用於需要此參數的提供商。
--local-llm-api-key LOCAL_LLM_API_KEY 地端 LLM API 金鑰，適用於需要此參數的提供商。

Docker

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

cd docslight

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

競品對比

能力 DocSlight MinerU PDF-Extract-Kit ExtractThinker
PDF 解析 ✅ ✅ ✅ ⚠️
OCR 支援 ✅ ⚠️ ✅ ❌
資料擷取 ✅ ❌ ❌ ✅
Web UI ✅ ❌ ❌ ❌
CLI ✅ ✅ ✅ ❌
Python SDK ✅ ✅ ✅ ⚠️
Cloud API ✅ ❌ ❌ ❌
企業部署 ✅ ❌ ❌ ❌
Markdown 輸出 ✅ ✅ ✅ ⚠️
JSON 輸出 ✅ ✅ ✅ ✅
多語言 OCR ✅ ⚠️ ⚠️ ❌
商業支援 ✅ ❌ ❌ ❌

架構

┌─────────────────────────────────────────────────────────────────────────────────┐
│                         DocSlight 開源文件解析與擷取引擎                          │
│                        （LGPL 協議 | 地端 + 雲端雙模式）                         │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                        接入方式層（入口）                                       │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────────────┐   ┌────────────────────────┐  ┌───────────────────┐ │
│  │   Docker Web UI（主推）   │  │           CLI           │  │    Python SDK     │ │
│  │  一鍵容器化部署，開箱即用    │  │       命令列工具        │  │  原生程式碼整合   │ │
│  │                           │  │                         │  │                  │ │
│  │  docker compose -f        │  │docslight parse <file>   │  │  from docslight  │ │
│  │  docker/compose.yml up    │  │                         │  │  import Parser   │ │
│  │                           │  │docslight extract <file> │  │  parser.parse()  │ │
│  │  瀏覽器訪問 http://localhost│  │                        │  │                   │ │
│  │  :3022                    │  │  docslight web         │  │                   │ │
│  └───────────────────────────┘  └────────────────────────┘  └───────────────────┘ │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           核心處理路由層（Router）                               │
│                   根據 --mode / 配置 自動切換 地端 / 雲端 引擎                   │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                    ┌─────────────────┴─────────────────┐
                    │                                   │
                    ▼                                   ▼
┌───────────────────────────────────┐   ┌─────────────────────────────────────┐
│        🖥️ 地端模式（Lite Local）   │   │        ☁️ 雲端模式（Lite Cloud）    │
│   （免費，離線執行，CPU 支援）     │   │   （高精度，需 API Key，GPU 加速） │
├───────────────────────────────────┤   ├─────────────────────────────────────┤
│  • 輸入格式：                      │   │  • 輸入格式：                       │
│    PDF / 圖片 / 新版 Office       │   │    + 舊版 Office (.doc/.xls等)     │
│    (.docx/.pptx/.xlsx)           │   │                                     │
│  • 基礎 OCR：PaddleOCR            │   │  • 高精度 VLM OCR 引擎             │
│  • 基礎版面分析                   │   │  • 複雜版面分析（表格/公式/多欄）   │
│  • 欄位抽取：需自配地端 LLM       │   │  • 內建 AI 欄位抽取                │
│    （Ollama/OpenAI相容）          │   │  • 邊界框（BBox）精準溯源          │
│  • 輸出：Markdown / JSON / Text   │   │  • 輸出：Markdown / JSON / Text    │
└───────────────────────────────────┘   └─────────────────────────────────────┘
                    │                                   │
                    └─────────────────┬─────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                          AI 能力層（引擎模組）                                  │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────┐  ┌──────────────────┐  ┌─────────────────────────────┐  │
│  │   OCR 引擎       │  │   結構分析器     │  │   欄位抽取模組               │  │
│  │  • 地端：         │  │  • 區塊分類      │  │  • 範本抽取                 │  │
│  │  PaddleOCR       │  │  • 表格偵測      │  │  • 自訂欄位                 │  │
│  │  • 雲端：         │  │  • 鍵值對映射    │  │  • 規則 + LLM 結合          │  │
│  │  VLM 引擎        │  │  • 公式識別      │  │  • BBox 溯源                │  │
│  └──────────────────┘  └──────────────────┘  └─────────────────────────────┘  │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           輸出與生態層（Output & Ecosystem）                    │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│   ┌───────────────┐   ┌───────────────┐   ┌───────────────────────────────┐  │
│   │  標準輸出格式  │   │  AI 生態整合  │   │  企業版擴充（SaaS / 私有化）  │  │
│   │  • Markdown   │   │  • LangChain  │   │  • 工作流編排                 │  │
│   │  • JSON       │   │  • LlamaIndex │   │  • 知識庫 / DMS               │  │
│   │  • Text       │   │  • CrewAI     │   │  • RBAC / 稽核日誌            │  │
│   │  • 含 BBox    │   │  • AutoGen    │   │  • 智慧審核 / 自訂規則        │  │
│   │    座標溯源   │   │  • Haystack   │   │  • 多租戶 / 私有化部署        │  │
│   └───────────────┘   └───────────────┘   └───────────────────────────────┘  │
│                                                                                 │
│   ┌──────────────────────────────────────────────────────────────────────────┐ │
│   │  目標場景：RAG 流水線 / AI Agent / 企業文件自動化 / 智慧文件處理（IDP） │ │
│   └──────────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────────┘

專為 AI Agent 與 RAG 打造

DocSlight 幫助開發者利用開源 PDF 解析與開源文件資料擷取技術，建構現代化的 AI 文件工作流程。

常見應用

  • RAG 系統
  • AI 助手
  • 企業知識庫
  • AI Agent 工作流程
  • 文件搜尋引擎
  • MCP 應用
  • 智慧文件處理（IDP），適用於任意規模的開源工作流程

相容生態

  • OpenAI
  • Claude
  • Ollama
  • LangChain
  • LlamaIndex
  • CrewAI
  • AutoGen
  • Haystack

典型工作流程

PDF / 圖片 / Office 文件
            ↓
        docslight
            ↓
Markdown / JSON 輸出
            ↓
向量資料庫
            ↓
LLM / AI Agent
            ↓
答案與自動化

基準測試

模型類型 方法 參數量 綜合得分↑ TextEdit↓ FormulaCDM↑ TableTEDS↑ TableTEDS-S↑ Read OrderEdit↓
DocSlight（雲端） 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 General VLMs - 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

方法說明： 基於人工標註的真實資料，以字元級準確率衡量。測試集涵蓋 500+ 份企業文件，包括發票、合約、表格與報告。資料集可於 benchmarks/dataset 取得。

安裝套件說明

套件 描述
docslight 核心 CLI + Python SDK 
pip install "docslight"

支援

有建議？發起討論。如果你覺得 DocSlight 有幫助，歡迎在 GitHub 上給我們一個 ⭐ Star，這能幫助我們成長與改進。

授權條款

DocSlight 採用 LGPL 開源授權發布。

商業 / 企業授權（支援 GPU 私有化部署）可在 compdf.com 取得。

由 ComPDF 團隊打造。
官網 · 文件 · 企業諮詢