docstrange

从任意文档秒提取结构化数据，一键转成 JSON/CSV

docstrange 是一个基于 Python 的文档数据提取与转换工具，旨在解决从多种文档格式（如 PDF、Word、PPT、图片及 URL）中高效提取结构化数据的痛点。它结合智能结构化数据提取和高级 OCR 技术，能够将非结构化内容转换为 Markdown、JSON、CSV、HTML 等通用格式，方便下游应用直接使用。核心能力包括：多格式支持（文档、图片、网页）、智能字段识别（自动提取表格、键值对等）、OCR 识别（处理扫描件和图片文字）、以及灵活的导出选项。项目目前处于成长阶段，GitHub 星标超 1500，社区关注度上升，适合需要批量处理文档、构建数据管道或进行内容迁移的开发者。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1571

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队NanoNets

所属国家

官网地址https://docstrange.nanonets.com

GitHubhttps://github.com/NanoNets/docstrange

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ai,document-parser,document-parsing,image-to-markdown,llm,markdown,ocr,pdf-parser,pdf-to-json,pdf-to-markdown,structured-data,structured-data-capture,tables

GitHub 星标★ 1571

30天Star增速

HF 下载量

上线时间2025-07-31 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 10 分钟部署方式：库/依赖 7 步

环境要求

已安装 Python 与 pip
可联网安装 PyPI 上的 docstrange 包
本地运行支持 GPU 或 CPU
使用 Web UI 需额外安装 web 依赖（Flask）

安装与启动步骤

1安装 docstrange

在终端用 pip 从 PyPI 安装 docstrange 库，安装完成后即可在 Python 中导入使用。
```
pip install docstrange
```
2安装 Web 依赖

若要用本地网页界面，需安装 web 附加依赖或单独安装 Flask，否则 Web 命令无法启动。
```
pip install -e ".[web]"
pip install Flask
```
3登录云服务

使用云端处理（每月最多 10000 个文档）前先执行登录，凭据会被缓存供后续自动使用。
```
docstrange login
```
4Python 中调用

导入 DocumentExtractor 并实例化，随后即可转换 PDF、DOCX 等文档为 Markdown 等格式。
```
python -c "from docstrange import DocumentExtractor; extractor = DocumentExtractor()"
```
5启动本地 Web UI

运行内置网页界面，可在浏览器中拖拽上传文档进行转换，默认本地访问。
```
docstrange web
```
6指定端口启动

默认端口被占用时，可换一个端口启动 Web UI，例如使用 8080 端口。
```
docstrange web --port 8080
```
7开发模式运行

需要调试时可调用 run_web_app 并传入 debug=True，输出更详细的调试信息。
```
python -c "from docstrange.web_app import run_web_app; run_web_app(debug=True)"
```

关键配置

配置项	必填	说明	示例
`port`	否	指定本地 Web UI 监听端口，默认端口被占用时修改。	`8080`
`debug`	否	开发模式开关，开启后输出调试信息。	`True`

如何确认成功

执行 docstrange web 后浏览器打开本地页面，拖拽上传文档能成功返回 Markdown/JSON 结果即启动成功。

常见问题

Q：不想安装能试用吗？

A：可以，README 提供在线体验地址 docstrange.nanonets.com，无需安装即可试用云服务转换文档。

Q：本地处理会把文档上传到云端吗？

A：使用本地 gpu 模式可 100% 本地处理，数据不发送到任何地方，全部留在本机。

Q：云端处理有额度限制吗？

A：免费云处理每月最多支持 10000 个文档；未登录的免费档每日调用次数有限。

Q：本地运行需要 GPU 吗？

A：不需要，README 说明本地运行时 GPU 或 CPU 均可工作。

注意事项

README 未给出统一的启动命令，本文档命令均取自其安装与高级用法示例。
核心模型已升级为 7B 参数，文档理解与准确率更高。
支持 PDF、图片、PPTX、DOCX、XLSX 及 URL 等输入，输出 Markdown、JSON、CSV、HTML。
可通过 MCP server 与 Claude Desktop 集成，实现智能文档导航。

核心亮点

支持 PDF、Word、PPT、图片和 URL 等多种输入，覆盖常见办公场景
内置高级 OCR，可处理扫描件和图片中的文字，降低预处理门槛
输出格式丰富（Markdown/JSON/CSV/HTML），便于对接数据管道

不足之处

文档/社区待观察：项目较新，文档和示例可能不够完善
复杂版式（如多层嵌套表格）的提取准确率可能受限于底层模型

适用场景

批量转换 PDF/Word 合同为结构化 JSON 供业务系统使用
从扫描版书籍或图片中提取文字并生成 Markdown 笔记
爬取网页内容并转换为 CSV 用于数据分析或训练集构建

替代项目

unstructured、PaddleOCR、docling

项目介绍

docstrange 是计算机视觉领域的开源项目，由 NanoNets 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,571）位列前 30%，在计算机视觉分类中处于中上游。

近 42 天，它的 GitHub 星标从 1,520 增加到 1,571，净增 51。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：批量转换PDF/Word合同为结构化JSON供业务系统使用。同类可对比的替代方案包括 unstructured、PaddleOCR、docling。

上一篇：awesome-yolo-object-detection

下一篇：ha-llmvision