docext

无需 OCR，本地快速将文档转为 Markdown，并支持效果评测。

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 156 🐛 待处理 22 👀 关注 19

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 2087

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，Apache-2.0 许可证，本地部署，完全免费。

项目预览

项目数据

分类搜索知识

开发团队NanoNets

官网地址https://nanonets.com/document-parsing-and-extraction

GitHubhttps://github.com/NanoNets/docext

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0 许可证，本地部署，完全免费。

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Apache-2.0

主要语言Python

技术栈/模型document,document-analysis,document-data-extraction,document-information-extraction,extraction,llm-ocr,llms,machine-learning,nlp,ocr,ocr-benchmark,ocr-onpremise,onprem,onprem-ocr,onprem-vision,onpremise,rag,table-extraction,unstructured-data,vlms

GitHub 星标★ 2087

上线时间2025-03-25 00:00:00

代码更新2026-03-17

仓库体积6.9 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6

项目介绍

docext 是一个本地部署的、无需 OCR 的非结构化数据提取与 Markdown 转换工具包，同时提供基准测试能力。它主要解决企业从 PDF、Word、扫描件等复杂文档中高效提取文本和结构信息的问题，无需依赖 OCR 即可处理数字原生文档，并能将结果转换为 Markdown 格式，便于下游处理。核心能力包括：支持多种文档格式解析、高精度内容提取、Markdown 转换、以及配套的基准测试框架（如 IDP Leaderboard），帮助用户评估和对比不同提取方案。项目采用 Python 实现，适合集成到现有数据管道中，强调隐私安全（on-premises），适合对数据敏感的企业场景。

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 ★ 2087

技术标签

document document-analysis llms machine-learning nlp

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：库/依赖 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 运行环境及 pip（README 未标注具体版本）
可访问 PyPI 的网络，用于安装 docext 包
本地/私有化部署环境（项目定位为 on-premises）
处理图片转 Markdown 时需具备视觉语言模型相关资源（README 未给出具体依赖）

安装与启动步骤

1准备运行环境

README 未标注 Python 版本要求，请先确认本机已装好 Python 与 pip，并清理好工作目录。
2安装 docext

从 PyPI 安装官方发布的 docext 包；建议在虚拟环境中执行，避免污染全局依赖。
```
pip install docext
```
3Colab 快速试用

官方提供 Colab 笔记本，可跳过本地环境，直接体验文档转 Markdown 与信息抽取效果。
4了解三项能力

工具包含 PDF/图片转 Markdown、文档信息抽取、基准测试三块，按需选择使用方式。