spacy-layout

让 spaCy 看懂 PDF 和 Word 的版面结构，直接用于 NLP 流程。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 63 🐛 待处理 26 👀 关注 14

GitHub ↗

GitHub 星标 ★ 914

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，无付费版本。

项目预览

spacy-layout 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类搜索知识

开发团队explosion

GitHubhttps://github.com/explosion/spacy-layout

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型document-layout,document-layout-analysis,docx,generative-ai,natural-language-processing,nlp,pdf,pdf-converter,rag,spacy

GitHub 星标★ 914

上线时间2024-11-17 00:00:00

代码更新2026-03-27

仓库体积2.2 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

spacy-layout 是一个将文档布局分析能力集成到 spaCy 生态的 Python 库，旨在让开发者用统一接口处理 PDF、Word 等复杂文档，并将版面结构（如段落、表格、标题）转化为可查询的语义对象。它解决了传统 NLP 工具无法直接理解文档物理布局的问题，通过抽取文本块的空间坐标和层级关系，使后续的文本挖掘、信息抽取和问答系统能感知文档结构。核心能力包括：自动识别文档中的文本区域和版面元素，输出带坐标和类型的结构化数据；与 spaCy 的 Doc 对象无缝衔接，支持管道式处理；提供轻量级 API，便于集成到现有 NLP 流程中。项目目前处于早期阶段，但设计思路新颖，适合需要处理非纯文本文档的 NLP 应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 914

技术标签

docx generative-ai natural-language-processing nlp pdf

使用教程

难度：进阶约 20 分钟部署方式：本地安装 4 步

环境要求

Python 3.10+
Docling 相关依赖（首次运行会下载模型）

安装与启动步骤

1装插件

spacy-layout 把 Docling 的文档解析接进 spaCy 管线，一个 pip 包搞定。
```
pip install spacy-layout
```
2加载布局管线

在 spaCy 里加 layout 组件并指定 Docling 的解析器，PDF 与 Word 都能进流水线。
```
import spacy
nlp = spacy.blank("en")
nlp.add_pipe("layout", config={"display": {"progress_bar": True}})
```
3跑一份 PDF

直接对文件路径调用 nlp，输出带页码与表格结构的 Doc 对象。
```
doc = nlp("report.pdf")
```
4取出结构化数据

doc._.pages 里是逐页元素，可导出 Markdown 或 DataFrame 做后续检索。