Skip to content

README_TW.md

Latest commit

 

History

History
531 lines (407 loc) · 34.3 KB

README_TW.md

File metadata and controls

531 lines (407 loc) · 34.3 KB
Raw

ComPDF Solutions

English | 繁體中文 | 简体中文

DocSlight - 開源文件解析與文件資料擷取引擎

DocSlight 是 KDAN 生態系的一部分，提供文件解析、OCR 與資料擷取功能，可將 PDF、掃描檔、圖片及 Office 文件轉換為結構化輸出，適用於 RAG、AI Agent 與企業文件自動化。

  • 如果您覺得 DocSlight 實用，歡迎在 GitHub 上為我們點亮一顆 ⭐ Star，支持我們持續成長與改進。
  • 有任何問題或想法？歡迎前往 Discussions 與我們交流。

License Python GitHub Stars PyPI PRs Welcome

快速開始 • 產品版本比較 • 使用方式 • 基準測試 • Cloud API → • 技術文件

為什麼選擇 DocSlight？

不同於傳統 OCR 工具，DocSlight 將 AI 驅動的文件解析、支援 80 多種語言的 OCR，以及結構化資料擷取功能整合於單一開源平台。您可以選擇地端部署，也可以透過雲端 API 取得更高的準確度。

核心優勢

  • 開源文件資料擷取引擎，避免受特定供應商限制
  • OCR 支援 80 多種語言，並具備多語言自動偵測功能
  • 支援結構化欄位擷取與邊界框（Bounding Box）溯源
  • 提供 Markdown 與 JSON 輸出，方便串接後續處理流程
  • 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

適用情境

  • RAG 管線與知識庫建置
  • 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）

無論您正在建置個人 RAG 專案，或是大型企業文件自動化系統，DocSlight 都能為文件理解工作提供穩固且易於擴充的基礎。

DocSlight Demo

快速開始

雲端模式（準確度更高，提供免費額度）

# 1. 安裝
pip install docslight

# 2. 設定 API Key
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

取得 API Key： 登入 ComPDF Console，並在 API Key 頁面建立或複製您的 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/ComPDF/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打開 http://localhost:3022 並將檔案拖曳至頁面即可

以上功能皆可於 ComPDF 線上體驗，→ 體驗連結

產品版本比較

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

功能 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 ❌ ❌ ✅ ✅
結果後續處理 ❌ ❌ ✅ ✅
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 ✅

輸入/輸出格式對照表

輸入類型 副檔名 雲端解析 地端解析 雲端擷取 地端擷取 解析輸出 擷取輸出 說明
PDF .pdf ✅ ✅ ✅ ✅ 需要地端 LLM Markdown、JSON、標準 JSON、ZIP JSON 地端 PDF 解析會使用柵格化/OCR 流程。
圖片 .png、.jpg、.jpeg、.tif、.tiff、.bmp、.webp ✅ ✅ ✅ ✅ 需要地端 LLM Markdown、JSON、標準 JSON、ZIP JSON 地端圖片解析會將每張圖片視為一頁。
Word .docx ✅ ✅ ✅ ✅ 需要地端 LLM Markdown、JSON、標準 JSON、ZIP JSON 地端不支援舊版 .doc。
PowerPoint .pptx ✅ ✅ ✅ ✅ 需要地端 LLM Markdown、JSON、標準 JSON、ZIP JSON 地端不支援舊版 .ppt。
Excel .xlsx ✅ ✅ ✅ ✅ 需要地端 LLM Markdown、JSON、標準 JSON、ZIP JSON 地端不支援舊版 .xls。
舊版 Office .doc、.ppt、.xls 取決於雲端 API 支援 ❌ 取決於雲端 API 支援 ❌ 雲端結果格式 JSON 地端處理前請先轉換為 .docx、.pptx 或 .xlsx。

docslight convert-parse-json 會接收地端解析產生的 JSON 物件，並輸出符合標準解析 JSON Schema 的結果；此指令不會直接處理原始文件。

安裝與首次執行

DocSlight 支援 Python 3.10 到 3.13。

pip install "docslight"

雲端模式需要網路連線及有效的 ComPDF Cloud API Key。地端模式預設使用 CPU；OCR 與 LLM 的處理時間會依文件大小、硬體效能及所選模型而異。

使用情境

  • 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、金額與明細項目
  • 合約分析 — 解析條款、當事人與日期，並支援邊界框溯源
  • 文件數位化 — 批次將掃描檔轉換為可搜尋文字
  • 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 — 準確度更高的 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

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

# 解析為 JSON 或Standard JSON
docslight parse scan.png --mode cloud --format json -o scan.json
docslight parse scan.png --mode cloud --format standard-json -o standard.json

# 解析並輸出 ZIP 封存檔
docslight parse invoice.pdf --mode local --format zip -o invoice.zip

# 欄位擷取（雲端模式）
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

# 使用地端 LLM 擷取資料
docslight extract invoice.pdf --mode local --fields invoice_no,total --local-llm-provider ollama --local-llm-model llama3.1

# 將地端解析 JSON 轉換為 Standard JSON
docslight convert-parse-json parse.json -o standard.json

# 啟動地端 API 服務
docslight web --host 127.0.0.1 --port 8000 --debug

CLI 指令

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

parse/extract 通用參數

參數 可選值 / 預設值 說明
INPUT 檔案路徑 要處理的文件路徑。
--mode cloud、local；預設值來自設定檔、環境變數或 cloud 選擇使用 ComPDF Cloud 或地端離線處理。
--api-key 字串 雲端 API Key，覆寫 COMPDF_API_KEY。
--base-url URL；預設為 https://api-server.compdf.com 雲端 API 基礎 URL，覆寫 DOCSLIGHT_BASE_URL。
--local-parser 字串 地端解析器選擇器，目前保留供地端解析器設定使用。
--local-llm-provider ollama、openai、openai-compatible；使用任一地端 LLM 參數時預設為 ollama 地端結構化擷取使用的 LLM 提供商。
--local-llm-model 字串 地端結構化擷取所使用的模型；使用地端 LLM 擷取時為必填。
--local-llm-base-url URL 地端 LLM 端點。Ollama 預設為 http://localhost:11434；OpenAI-compatible 提供商必須指定。
--local-llm-api-key 字串 地端 LLM API Key。Ollama 預設為 ollama。

parse 參數

參數 可選值 / 預設值 說明
--output、-o 檔案路徑 將輸出寫入檔案；未指定時輸出至標準輸出。
--format markdown、json、standard-json、zip；預設為 markdown 指定解析輸出格式。若省略此參數，且 --output 以 .zip 結尾，系統會自動判斷為 zip。

markdown 會輸出解析後的 Markdown；json 會輸出 SDK 解析結果；standard-json 會輸出標準解析 JSON schema 的結果；zip 會輸出原始解析封存檔，通常應搭配 output 使用。

extract 參數

參數 可選值 / 預設值 說明
--output、-o 檔案路徑 將擷取結果 JSON 寫入檔案；未指定時輸出至標準輸出。
--fields 以逗號分隔的欄位名稱，例如 invoice_no,total 指定需要擷取的欄位。
--schema JSON 檔案路徑 擷取 schema 的 JSON 檔案。CLI 會讀取此檔案，並把 JSON 物件傳入 extract；常見內容為 {"fields": ["invoice_no", "date", "total"]}。同時支援 properties 的 JSON Schema 格式物件。
--document-types JSON 檔案路徑 文件類型路由設定檔；JSON 根節點必須是列表，例如 ["invoice", "receipt"]。

schema.json 範例：

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

convert-parse-json 參數

參數 可選值 / 預設值 說明
INPUT JSON 檔案路徑 要轉換的地端解析 JSON；JSON 根節點必須是物件。
--output、-o 檔案路徑 將轉換後的Standard JSON 寫入檔案；未指定時輸出至標準輸出。

環境變數與設定檔

變數 說明
COMPDF_API_KEY 雲端模式使用的 API Key。
DOCSLIGHT_MODE 處理模式：cloud 或 local，預設為 cloud。
DOCSLIGHT_BASE_URL 雲端 API Base URL，預設為 https://api-server.compdf.com。
DOCSLIGHT_TIMEOUT 雲端請求逾時時間，單位為秒，預設為 30。
DOCSLIGHT_LOCAL_PARSER 地端解析器選擇器。

DocSlight 也會讀取 ~/.docslight/config.toml。設定套用順序為：內建預設值、設定檔、環境變數、明確傳入的 SDK 或 CLI 參數。

mode = "cloud"
api_key = "your-api-key"
base_url = "https://api-server.compdf.com"
timeout = 30
local_parser = "paddleocr"  # 地端解析器設定保留

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

CLI 提供主要的地端 LLM 設定。extra_body 等進階地端 LLM 供應商設定，可透過 SDK 或 ~/.docslight/config.toml 設定。

Docker

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

cd docslight

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

競品比較

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 ✅ ❌ ❌ ❌

系統架構

┌─────────────────────────────────────────────────────────────────────────────────┐
│                         DocSlight 開源文件解析與擷取引擎                          │
│                        （LGPL 授權 | 地端 + 雲端雙模式）                         │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                        存取方式層（入口）                                         │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────────────┐   ┌────────────────────────┐  ┌───────────────────┐ │
│  │   Docker Web UI（建議）   │  │           CLI           │  │    Python SDK     │ │
│  │  容器化部署，快速開始使用    │  │       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()  │ │
│  │  瀏覽器開啟 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、支援CPU）     │   │   （高精確度、需要 API Key，GPU 加速） │
├───────────────────────────────────┤   ├─────────────────────────────────────┤
│  • 輸入格式：                      │   │  • 輸入格式：                       │
│    PDF / 圖片 / 新版 Office       │   │    + 加入舊版 Office (.doc/.xls等)     │
│    (.docx/.pptx/.xlsx)           │   │                                     │
│  • 基礎 OCR：PaddleOCR            │   │  • 高準確度 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：需自行設定地端 LLM       │   │  • 內建 AI 欄位抽取                │
│    （Ollama/OpenAI-compatible）          │   │  • 邊界框（BBox）精準溯源          │
│  • 輸出：Markdown / JSON / Text   │   │  • 輸出：Markdown / JSON / Text    │
└───────────────────────────────────┘   └─────────────────────────────────────┘
                    │                                   │
                    └─────────────────┬─────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                          AI 功能層（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    │  │  • 規則 + LLM 結合          │  │
│  │  VLM 引擎        │  │  • 公式辨識      │  │  • BBox 溯源                │  │
│  └──────────────────┘  └──────────────────┘  └─────────────────────────────┘  │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           輸出與生態層（Output & Ecosystem）                    │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│   ┌───────────────┐   ┌───────────────┐   ┌───────────────────────────────┐  │
│   │  標準輸出格式  │   │  AI 生態系整合  │   │  企業版擴充（SaaS / 私有化部署）  │  │
│   │  • Markdown   │   │  • LangChain  │   │  • 工作流程編排                 │  │
│   │  • 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        │  │
│   └───────────────┘   └───────────────┘   └───────────────────────────────┘  │
│                                                                                 │
│   ┌──────────────────────────────────────────────────────────────────────────┐ │
│   │  適用情境：RAG 管線 / 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 協助開發者運用開源 PDF 解析與開源文件資料擷取技術，建置現代化的 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），適用於不同規模的開源工作流程

相容生態系

  • 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
            ↓
產生答案並執行自動化流程

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，以字元級準確率進行評估。測試集包含超過 500 份企業文件，涵蓋發票、合約、表格及報告。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

有任何建議？歡迎發起討論。如果您覺得 DocSlight 實用，歡迎在 GitHub 上為我們點亮一顆 ⭐ Star，支持我們持續成長與改進。

授權條款

DocSlight 採用 LGPL 開源授權條款。

如需商業版或企業版授權，包括支援 GPU 的私有化部署方案，請前往 compdf.com 洽詢。

由 ComPDF 團隊打造
官網 · 文件 · 企業諮詢