RapidDoc – 高速文档解析系统

😺 项目介绍

RapidDoc 是一个轻量级、专注于文档解析的开源框架，支持 OCR、版面分析、公式识别、表格识别和阅读顺序恢复等多种功能，支持将复杂 PDF 文档转换为 Markdown、JSON、WORD、HTML 格式。

框架基于 Mineru^[1] 二次开发，移除 VLM，专注于 Pipeline 产线下的高效文档解析，在 CPU 上也能保持不错的解析速度。

本项目所使用的核心模型主要来源于 PaddleOCR^[2] 的 PP-StructureV3^[3] 系列（OCR、版面分析、公式识别、阅读顺序恢复，以及部分表格识别模型），并已全部转换为 ONNX 格式，支持在 CPU/GPU 上高效推理。

KittyDoc 已经成为 RapidAI 开源家族成员

✨ 如果该项目对您有帮助，您的 star 是我不断优化的动力！！！

• github 点击前往^[4]
• gitee 点击前往^[5]

👏 项目特点

• OCR 识别

• 使用 RapidOCR^[6] 支持多种推理引擎
• CPU 下默认使用 OpenVINO，GPU 下默认使用 torch

• 版面识别

• PP-DocLayoutV2：自带阅读顺序，效果最好，默认使用
• PP-DocLayout_plus-L：效果好运行稳定
• PP-DocLayout-L：速度快，效果也不错
• PP-DocLayout-S：速度极快，存在部分漏检
• 模型使用 PP-DocLayout 系列 ONNX 模型（v2、plus-L、L、M、S）

• 公式识别

• PP-FormulaNet_plus-L：速度慢，支持 onnx
• PP-FormulaNet_plus-M：默认使用，支持 onnx 和 torch
• PP-FormulaNet_plus-S：速度最快，支持 onnx，复杂公式精度不够
• 使用 PP-FormulaNet_plus 系列 ONNX 模型（L、M、S）
• 支持配置只识别行间公式
• cuda 环境，默认使用 torch 推理，公式模型 onnx gpu 推理会报错，暂时无人解决 PaddleOCR/issues/15125^[7], PaddleX/issues/4238^[8], Paddle2ONNX/issues/1593^[9]

• 表格识别

• 表格分类（区分有线/无线表格）
• 有线表格识别 UNET^[11] + SLANET_plus/UNITABLE（作为无线表格识别）
• 基于 rapid_table_self^[10] 增强，在原有基础上增强为多模型串联方案：

• 阅读顺序恢复

• 使用 PP-StructureV3 阅读顺序恢复算法，基于 xycut 算法和版面的结果
• 速度快效果好，支持多栏、竖排等复杂版面，和 V3 不开启版面子模块检测效果一致

• 推理方式

• 所有模型通过 ONNXRuntime 推理，OCR 可配置其他推理引擎
• 除了 OCR 和 PP-DocLayout-M/S 模型，OpenVINO 推理会报错，暂时难以解决。PaddleOCR/issues/16277^[12]

基准测试结果

1. OmniDocBench

以下是 RapidDoc 在 OmniDocBench 上的评估结果。Pipeline 模型使用 PP-DocLayoutV2、PP-OCRv5-mobile、PP-FormulaNet_plus-M、UNET_SLANET_PLUS。

🛠️ 安装 RapidDoc

使用 pip 安装

pip install rapid-doc[cpu] -i https://mirrors.aliyun.com/pypi/simple或pip install rapid-doc[gpu] -i https://mirrors.aliyun.com/pypi/simple

通过源码安装

# 克隆仓库git clone https://github.com/RapidAI/RapidDoc.gitcd RapidDoc# 安装依赖pip install -e .[cpu] -i https://mirrors.aliyun.com/pypi/simple或pip install -e .[gpu] -i https://mirrors.aliyun.com/pypi/simple

使用 gpu 推理

# rapid-doc[gpu] 默认安装 onnxruntime-gpu 最新版# 需要确定onnxruntime-gpu与GPU对应，参考 https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#requirements# 在 Python 中指定 GPU（必须在导入 rapid_doc 之前设置）import os# 使用默认 GPU（cuda:0）os.environ['MINERU_DEVICE_MODE'] = "cuda"# 或指定 GPU 编号，例如使用第二块 GPU（cuda:1）os.environ['MINERU_DEVICE_MODE'] = "cuda:1"

使用 docker 部署 RapidDoc

RapidDoc 提供了便捷的 docker 部署方式，这有助于快速搭建环境并解决一些棘手的环境兼容问题。

您可以在文档中获取 Docker 部署说明^[13]，镜像已推送至 Docker Hub^[14]。

在线体验

基于 Gradio 的在线 demo

基于 gradio 开发的 webui，界面简洁，仅包含核心解析功能，免登录

URL：https://www.modelscope.cn/studios/RapidAI/RapidDoc

📋 使用示例

• 代码示例^[15]

• 参数介绍^[16]

• FastAPI 示例^[17]

模型下载

不指定模型路径，初次运行时，会自动下载

• RapidDoc 模型集（版面/公式/表格）^[18]
• RapidOCR 模型^[19]
• 部分表格模型 RapidTable^[20]

📌 TODO

• [x] 跨页表格合并
• [x] 复选框识别，使用 opencv（默认关闭、opencv 识别存在误检）
• [x] 提供 fastapi，支持 cpu 和 gpu 版本的 docker 镜像构建
• [x] 文本型 pdf，表格非 OCR 文本提取
• [x] 文本型 pdf，使用 pypdfium2 提取文本框 bbox
• [x] 文本型 pdf，支持 0/90/270 度三个方向的表格解析
• [x] 文本型 pdf，使用 pypdfium2 提取原始图片（默认截图会导致清晰度降低和图片边界可能丢失部分）
• [x] 表格内公式提取，表格内图片提取
• [x] 优化阅读顺序，支持多栏、竖排等复杂版面恢复
• [x] 公式支持 torch 推理，可用 GPU 加速
• [x] 版面、表格模型支持 openvino
• [x] markdown 转 docx、html
• [x] 支持 PP-DocLayoutV2 版面识别+阅读顺序
• [x] OmniDocBench 评测
• [ ] 支持自定义的ocr、table、公式。支持PaddleOCR-VL系列

• [ ] 公式支持openvino

🙏 致谢

• MinerU^[21]
• PaddleOCR & PP-StructureV3^[22]
• RapidOCR^[23]

⚖️ 开源许可

基于 MinerU^[24] 改造而来，已移除原项目中的 YOLO 模型，并替换为 PP-StructureV3 系列 ONNX 模型。由于已移除 AGPL 授权的 YOLO 模型部分，本项目整体不再受 AGPL 约束。

该项目采用 Apache 2.0 license^[25] 开源许可证。

参考资料