Docstrange：从文档和图片提取数据并转换为多种格式的工具

Docstrange 是一个开源的文档处理工具，专注于从多种格式的文档和图片中提取数据，并将其转换为 Markdown、JSON、CSV 或 HTML 等格式。它利用人工智能和先进的 OCR 技术，支持处理 PDF、Word 文档、Excel 表格、PowerPoint 演示文稿、图片以及网页内容。用户可以通过简单的代码或命令行操作，快速提取文本、表格或特定字段，适合开发者、研究人员和企业用户处理复杂文档。工具支持云端和本地处理，保障数据隐私，且输出结果结构清晰，特别适合与大语言模型（LLM）结合使用。Docstrange 由 NanoNets 开发，托管在 GitHub 上，免费且易于集成。

功能列表

• 从 PDF、Word、Excel、PowerPoint、图片和网页中提取文本和数据。
• 支持将提取内容转换为 Markdown、JSON、CSV、HTML 和纯文本格式。
• 提供智能字段提取，可根据用户定义提取特定信息，如发票编号或合同条款。
• 支持 JSON 模式定义，输出符合用户指定结构的数据。
• 内置高级 OCR 技术，处理图片和扫描文档中的文本。
• 提供表格提取功能，保留复杂表格的结构并转换为 Markdown 或 HTML。
• 支持本地 CPU 或 GPU 处理，保障数据隐私。
• 提供命令行和 Python API 两种操作方式，适合开发者集成。
• 支持批量处理多个文件，提高工作效率。

使用帮助

安装流程

要使用 Docstrange，首先需要安装 Python 环境（推荐 Python 3.8 或以上版本）。然后通过以下步骤安装 Docstrange 库：

1. 安装 Docstrange
   在终端运行以下命令安装 Docstrange：

   pip install docstrange
   

   安装完成后，用户可以通过 Python 脚本或命令行调用工具。

2. 获取 API 密钥（可选）
   如果使用云端处理模式，可以在 NanoNets 官网 注册并获取免费 API 密钥，以提升处理限额。获取密钥后，在命令行中可以通过 --api-key YOUR_API_KEY 参数指定。
3. 本地处理模式（可选）
   如果需要完全本地化处理，需安装支持本地 OCR 的依赖（如 Ollama）。运行以下命令启用 CPU 或 GPU 处理：

   docstrange document.pdf --cpu-mode
   

   或

   docstrange document.pdf --gpu-mode
   

   注意：GPU 模式需要 CUDA 支持的硬件环境。

使用方式

Docstrange 提供两种主要操作方式：Python API 和命令行。以下详细介绍如何使用核心功能。

通过 Python API 使用

Docstrange 的 Python API 适合开发者集成到现有项目中。以下是一个提取 PDF 文件内容的示例：

from docstrange import DocumentExtractor
# 初始化提取器（默认云端模式）
extractor = DocumentExtractor()
# 提取 PDF 文件并转换为 Markdown
result = extractor.extract("document.pdf")
markdown = result.extract_markdown()
print(markdown)
# 提取特定字段
fields = result.extract_data(specified_fields=["invoice_number", "total_amount"])
print(fields)
# 使用 JSON 模式提取结构化数据
schema = {
"contract_number": "string",
"parties": ["string"],
"total_value": "number"
}
structured_data = result.extract_data(json_schema=schema)
print(structured_data)

用户可以根据需求选择输出格式（Markdown、JSON、CSV、HTML）。[](https://github.com/NanoNets/docstrange)

通过命令行使用

命令行操作适合快速处理文件。以下是一些常见命令：

• 提取 PDF 文件并输出为 Markdown：

  docstrange document.pdf --output markdown
  

• 提取特定字段并输出为 JSON：

  docstrange invoice.pdf --output json --extract-fields invoice_number total_amount
  

• 批量处理多个 PDF 文件：

  docstrange *.pdf --output markdown
  

• 保存结果到文件：

  docstrange document.pdf --output-file result.md
  

命令行支持灵活的参数组合，用户可以根据需求指定输出格式或处理模式。

特色功能操作

1. 智能字段提取
   Docstrange 允许用户指定需要提取的字段，如发票编号、金额或合同日期。例如，处理发票时：

   docstrange invoice.pdf --output json --extract-fields invoice_number vendor_name total_amount
   

   工具会自动识别文档中的相关字段并返回结构化 JSON 数据。这种功能非常适合需要快速提取关键信息的场景。

2. 表格提取
   对于包含复杂表格的文档，Docstrange 可以准确提取表格并转换为 Markdown 或 HTML 格式。例如：

   result = extractor.extract("financial_report.pdf")
   html_table = result.extract_html()
   print(html_table)
   

   输出的表格保留原始结构，适合直接用于网页或文档编辑。

3. 本地处理模式
   为保护数据隐私，用户可以启用本地处理模式：

   extractor = DocumentExtractor(cpu=True)
   result = extractor.extract("document.pdf")
   print(result.extract_markdown())
   

   本地模式无需将数据发送到云端，适合敏感文档处理。

4. JSON 模式支持
   用户可以定义 JSON 模式，确保输出数据符合特定结构。例如，处理合同文档：

   schema = {
   "contract_number": "string",
   "parties": ["string"],
   "total_value": "number",
   "start_date": "string"
   }
   structured_data = result.extract_data(json_schema=schema)
   print(structured_data)
   

   这种方式适合需要标准化的数据输出场景。

注意事项

• 云端模式需要稳定的网络连接，建议使用 API 密钥以提高处理速度。
• 本地模式需要额外安装 OCR 依赖，具体要求可参考 GitHub 文档。
• 目前工具不支持手写文档的处理，适合处理打印或电子文档。

应用场景

1. 学术研究
   研究人员可以利用 Docstrange 将学术论文的 PDF 文件转换为 Markdown 格式，保留表格和文本结构，便于进一步分析或导入到知识库。
2. 财务管理
   企业用户可以从发票、收据或财务报告中提取关键字段（如金额、日期），并输出为 JSON 或 CSV，方便导入财务软件。
3. 法律文档处理
   律师可以快速提取合同中的关键条款或签名信息，生成结构化数据，简化合同审核流程。
4. 数据分析
   数据分析师可以将网页或 Excel 文件中的表格提取为 CSV 格式，用于数据可视化或机器学习模型训练。

QA

1. Docstrange 支持哪些文件格式？
   它支持 PDF、Word、Excel、PowerPoint、图片（PNG、JPG 等）以及网页 URL 的数据提取。
2. 如何保证数据隐私？
   用户可以选择本地 CPU 或 GPU 处理模式，数据不会上传到云端，适合处理敏感文档。
3. 是否需要付费使用？
   Docstrange 是开源工具，免费使用。云端模式需要注册 NanoNets 账户获取 API 密钥，免费账户有使用限额。
4. 能否处理手写文档？
   目前 Docstrange 主要支持打印或电子文档，手写文档的处理效果有限。