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
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。
- 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
- 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。
# 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。
# 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# 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 |
✅ | ✅ | ✅ | ✅ 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。
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。
- 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/：
cloud_parse.pycloud_extract.pylocal_parse.pylocal_extract_ollama.pylocal_extract_openai_compatible.pypath_examples.py
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# 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 --debugdocslight parse INPUT [OPTIONS]
docslight extract INPUT [OPTIONS]
docslight convert-parse-json INPUT [OPTIONS]| 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。 |
| 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。
| 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"]
}| 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。 |
| 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 = 120CLI 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。
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| 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 | ✅ | ❌ | ❌ | ❌ |
┌─────────────────────────────────────────────────────────────────────────────────┐
│ 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） │ │
│ └──────────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────────┘
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。
- 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
- OpenAI
- Claude
- Ollama
- LangChain
- LlamaIndex
- CrewAI
- AutoGen
- Haystack
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
| 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。
| 包 | 描述 |
|---|---|
docslight |
核心 CLI + Python SDK |
pip install "docslight"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！
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。