欢迎使用 Doctra

概述

Doctra 是一个强大的 Python 库，用于解析、提取和分析 PDF 文档内容。它结合了最先进的布局检测、OCR、图像恢复和视觉语言模型（VLM），提供全面的文档处理功能。

主要特性

全面的 PDF 解析

• 布局检测：使用 PaddleOCR 进行高级文档布局分析
• OCR 处理：使用 Tesseract 进行高质量文本提取
• 视觉元素：自动提取图形、图表和表格
• 多种解析器：为您的用例选择合适的解析器

图像恢复

• 6 种恢复任务：去扭曲、去阴影、外观增强、去模糊、二值化和端到端恢复
• DocRes 集成：最先进的文档图像恢复
• GPU 加速：自动 CUDA 检测以加快处理速度
• 增强质量：提高文档质量以获得更好的 OCR 结果

VLM 集成

• 结构化数据提取：将图表和表格转换为结构化格式
• 多种提供商：支持 OpenAI、Gemini、Anthropic 和 OpenRouter
• 自动转换：将视觉元素转换为可用数据
• 灵活配置：简单的 API 密钥管理和模型选择

丰富的输出格式

• Markdown：带嵌入图像的人类可读文档
• Excel：电子表格格式的结构化数据
• JSON：程序可访问的数据
• HTML：交互式 Web 就绪文档
• 图像：高质量的裁剪视觉元素

用户友好的界面

• Web UI：基于 Gradio 的界面，支持拖放
• 命令行：强大的 CLI 用于自动化
• Python API：完整的程序访问
• 实时进度：跟踪处理状态

快速开始

安装

pip install doctra

基本用法

from doctra import StructuredPDFParser

# 初始化解析器
parser = StructuredPDFParser()

# 解析文档
parser.parse("document.pdf")

系统依赖

Doctra 需要 Poppler 来处理 PDF。有关详细设置说明，请参阅安装指南。

核心组件

解析器

解析器	描述	最适合
StructuredPDFParser	完整的文档处理	通用解析
EnhancedPDFParser	带图像恢复的解析	扫描或低质量文档
ChartTablePDFParser	专注提取	仅需要图表和表格
PaddleOCRVLPDFParser	端到端 VLM 解析	包含图表和表格的复杂文档

引擎

引擎	描述	用例
DocResEngine	图像恢复	独立图像增强
Layout Detection	文档分析	识别文档结构
OCR Engine	文本提取	从图像中提取文本
VLM Service	AI 处理	将视觉元素转换为结构化数据

用例

• 财务报告：从财务文档中提取表格、图表和文本
• 研究论文：解析带图形和表格的学术论文
• 文档归档：将扫描文档转换为可搜索格式
• 数据提取：从视觉元素中提取结构化数据
• 文档增强：恢复和改进低质量文档

获取帮助

• 文档：您正在阅读它！浏览侧边栏以获取详细指南
• GitHub Issues：报告错误或请求功能
• PyPI：查看包详细信息

📓 交互式笔记本

笔记本	Colab 徽章	描述
01_doctra_quick_start		涵盖布局检测、内容提取和多格式输出的综合教程，带视觉示例
case_study_01_financial_report_analysis		财务报告分析：从 PDF 报告中提取表格和图表，使用 VLM 将视觉元素转换为结构化数据，并使用 pandas 分析财务数据
case_study_02_scanned_document_restoration		扫描文档恢复：应用 DocRes 引擎进行图像恢复（外观、去扭曲、去阴影、去模糊、二值化、端到端），恢复 PDF，并比较恢复前后的解析结果

下一步？

• 快速开始

  ---

  在几分钟内开始使用 Doctra

  快速开始指南

• 用户指南

  ---

  了解解析器、引擎和高级功能

  阅读指南

• API 参考

  ---

  所有组件的详细 API 文档

  API 文档

• 示例

  ---

  真实世界的示例和集成模式

  查看示例

致谢

Doctra 建立在几个优秀的开源项目之上：

• PaddleOCR - 高级文档布局检测和 OCR 功能
• DocRes - 最先进的文档图像恢复模型
• Outlines - LLM 的结构化输出生成

我们感谢这些项目的开发者和贡献者的宝贵工作。

许可证

Doctra 在 MIT 许可证下发布。有关详细信息，请参阅 LICENSE 文件。