一行命令把文档变知识图谱？我搭了条从OCR到知识抽取的全自动流水线

事情是这样的。

上周五下午，我桌上堆了大概二十几份行业研究报告。PDF的、扫描件的、截图的，什么格式都有。领导说，你把这些报告里的核心信息梳理一下，下周一要做个行业知识图谱出来。

我当时看着那一摞文件，脑子里就一个念头，这活儿要是手动干，我周末就别过了。

你想想看，一份50页的PDF，里面有文字有图表有截图，你得先读完，再提炼实体和关系，再画图谱。二十几份？这不是人干的活。

但问题是，市面上那些知识图谱工具，要么太重（部署一套Neo4j+各种中间件能把你搞崩溃），要么太浅（扔进去一篇文档出来一堆关键词，那叫什么知识图谱）。

直到我找到了一个叫Hyper-Extract的开源项目，事情开始变得有意思了。

这玩意到底能干啥

坦率的讲，我第一次看到Hyper-Extract的README的时候，是有点怀疑的。"一行命令，将文档转化为结构化知识"，这口号听着太像营销话术了。

但实际跑了一遍之后，我得承认，它确实做到了。

你只需要一行命令：

he parse 你的文档.md -t general/biography_graph -o ./output/

然后它就会用大模型把文档里的实体、关系、事件全部抽取出来，生成一个可以交互可视化的知识图谱。不是关键词提取，不是文本摘要，是真正的实体-关系图谱。

而且它支持9种知识结构，从最简单的列表、集合，到图谱、超图、时序图、空间图、时空图。金融、法律、医疗、中医、工业、通用6大领域都有现成的YAML模板，80多个，零代码直接用。

我当时跑了一个财报分析的模板，把一份上市公司的年报扔进去，出来的图谱里，公司、高管、财务指标、风险因素之间的关系一目了然。说实话，比我手动梳理三天的成果还清晰。

但是，图片怎么办

兴奋了大概五分钟，我就发现了问题。

我那些报告里，有大量内容是以图片形式存在的。扫描件就不说了，整页都是图片。还有一些是截图、图表、流程图。Hyper-Extract再厉害，它也只能处理文本。你扔一张图片进去，它不认识。

这就是知识抽取领域的一个老大难问题，现实世界的文档，不可能都是干干净净的纯文本。发票是扫描的，手写笔记是拍照的，会议白板是截图的。你要是只处理纯文本，那你的知识图谱永远是残缺的。

怎么办？

我的解决方案是，在Hyper-Extract前面加一道OCR工序。先把所有图片和扫描件转成Markdown文本，再喂给Hyper-Extract做知识抽取。

说起来简单，但OCR工具的选择其实挺讲究的。

OCR这一步，我踩了几个坑

我第一个想到的是Tesseract。毕竟老牌OCR嘛，装起来也方便。但实际用下来，中文识别效果一般般，尤其是扫描件有噪点的时候，出来的东西基本没法看。

后来试了PaddleOCR，效果好很多。百度出品，中文识别确实强。但它是Python库，需要自己写脚本调用，不够"一行命令"。

最后我发现了两个比较趁手的工具。

一个是Marker。这个项目专门做PDF转Markdown，内置了OCR能力。你只需要：

marker_single 你的扫描件.pdf --output_dir ./output/

它会自动识别PDF里的文字和图片，把图片里的文字OCR出来，然后输出一个排版还不错的Markdown文件。速度快，效果好，关键是它保留了文档的结构，标题、段落、列表都能识别出来。

另一个是MinerU。这个更全面一些，支持PDF、Office、图片等多种格式的解析。OCR支持109种语言，还提供了CLI、WebUI等多种使用方式。

我的实际做法是这样的：纯文本的PDF和Word直接喂给Hyper-Extract，扫描件和图片先用Marker转成Markdown，再统一处理。

整个流程就变成了：

原始文档 → 判断类型  ├─ 纯文本PDF/Word/HTML → 直接喂Hyper-Extract  └─ 扫描件/图片 → Marker OCR → Markdown → 喂Hyper-Extract                                    ↓                              知识图谱输出

具体怎么搭这条流水线

这块我详细说说，因为我觉得很多人卡在这里。

第一步，安装Hyper-Extract。

uv tool install hyperextract

如果你还没有uv，先装一下：

curl -LsSf https://astral.sh/uv/install.sh | sh

第二步，配置大模型。

Hyper-Extract需要一个大模型来做知识抽取。它支持很多provider，OpenAI、Anthropic、Google Gemini、DeepSeek、阿里云百炼，甚至本地vLLM都行。

最经济的方案是DeepSeek做LLM + OpenAI做embedding：

he config llm -p deepseek -k YOUR_DEEPSEEK_API_KEYhe config embedder -p openai -k YOUR_OPENAI_API_KEY

DeepSeek大概是$0.001-0.005一页，处理一份50页的报告也就几毛钱。

第三步，安装OCR工具（如果你有扫描件/图片）。

pip install marker-pdf

Marker的安装很简单，一个pip搞定。

第四步，开始提取。

对于纯文本文档：

he parse 报告.pdf -t finance/earnings_graph -o ./output/

对于扫描件：

marker_single 扫描件.pdf --output_dir ./ocr_output/he parse ./ocr_output/扫描件.md -t finance/earnings_graph -o ./output/

就这么简单。

第五步，查询和可视化。

he search ./output/ "这个行业的核心玩家有哪些？"he show ./output/

he show会启动一个本地Web服务，你可以在浏览器里看到交互式的知识图谱。节点可以拖拽，关系可以展开，比静态图片好用太多了。

几个让我觉得"卧槽"的细节

第一个是增量更新。

你想想看，行业研究不是一次性的工作。每个月都有新的报告出来，你不可能每次都从头重建整个知识图谱。Hyper-Extract支持增量更新，你只需要：

he feed ./output/ 新报告.md --source 新报告

它会自动把新报告里的知识融合进去，旧的不变，新的加上。如果某个报告过时了，还可以一键回滚：

he remove ./output/ --document 旧报告

每条知识都能追溯到来源文档。这个设计，我是真的被震撼到了。

第二个是80多个现成的YAML模板。

你不需要自己定义"我要提取什么类型的实体、什么类型的关系"。金融领域有财报分析、风险因素提取的模板；法律领域有合同条款分析的模板；医疗领域有病历信息提取的模板。直接用就行。

如果你想自定义，YAML模板的语法也很直观：

name:知识图谱type:graphoutput:entities:fields:-name:nametype:str-name:typetype:strrelations:fields:-name:sourcetype:str-name:targettype:str-name:typetype:str

第三个是Obsidian导出。

提取出来的知识图谱，可以一键导出为Obsidian知识库。每个实体变成一个Markdown笔记，实体之间的关系变成[[双向链接]]。你可以在Obsidian里用图谱视图浏览你的知识网络，也可以用Obsidian的各种插件来做进一步的分析和整理。

对于我这种Obsidian重度用户来说，这个功能简直是降维打击。

说说局限性

我不是来给Hyper-Extract做广告的。说几个我实际使用中遇到的问题。

首先，它依赖大模型的function calling能力。不是所有模型都支持，有些国产模型的function calling实现不够稳定，可能会出错。我用下来，DeepSeek和OpenAI的兼容性最好。

其次，OCR那一步的质量直接影响最终效果。如果OCR出来的文本错漏太多，Hyper-Extract再厉害也救不回来。所以Marker或者PaddleOCR的调优很重要，尤其是中文场景。

还有，处理速度取决于你用的大模型。用GPT-4o效果最好但最贵，用DeepSeek便宜但偶尔会有格式错误。这个需要你自己权衡。

最后，它生成的知识图谱是静态的快照。虽然支持增量更新，但它不是一个实时的知识图谱系统。如果你需要实时更新和查询，可能还是得上Neo4j那一套。

我为什么觉得这件事很重要

你有没有想过，我们每天接触的信息，有多少是被浪费掉的？

你读了一篇报告，记住了几个关键数据，然后就扔在一边了。过了三个月，你只记得"好像看过这么个东西"，但具体的数据、关系、结论，全都模糊了。

知识图谱做的事情，就是把这些散落在你脑子里的模糊印象，变成可以精确查询、可以关联分析、可以持续积累的结构化知识。

以前做这件事的成本太高了。你需要专门的知识工程师，需要复杂的工具链，需要大量的手动标注。所以只有大公司、大团队才能玩得起。

但现在，有了Hyper-Extract这样的工具，一个普通人，一行命令，就能把一篇文档变成知识图谱。加上OCR的配合，连扫描件和图片都能处理。

这不是什么技术革命。但它确实让知识管理这件原本很奢侈的事情，变得触手可及了。

我觉得这才是AI工具最该做的事情，不是替你思考，而是帮你把思考的素材整理好。你还是得自己判断、自己决策、自己创造。但你不用再花80%的时间在"找资料、整理资料"上了。

说到底，工具的价值不在于它有多厉害，而在于它能帮你省下多少时间去做真正重要的事情。

Hyper-Extract，加上一条OCR流水线，就是我目前找到的，从"文档"到"知识"最短的那条路。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

/ 作者：mojianpo/ 投稿或爆料，请联系邮箱：406223802@qq.com