ARTICLE · 1155787

一个轻量级文档解析神器,CPU上也能飞速跑

发布时间：2026-10-11 11:38:38 最近访问：2026-10-11 11:38:38

RapidDoc 是一个轻量级开源文档解析框架，支持 OCR、版面分析、公式识别、表格识别，能把复杂 PDF 转成 Markdown、JSON、Word、HTML，CPU 上也能跑得飞快。

项目亮点

😺 RapidDoc 是一个轻量级、专注于文档解析的开源框架，能帮你把复杂的 PDF 文档转换成 Markdown、JSON、Word、HTML 格式。它基于 MinerU 二次开发，把 VLM 模块移除，专注在 Pipeline 产线下的高效文档解析。

✨ 核心能力一览：

🔍 OCR 识别 — 使用 RapidOCR 支持多种推理引擎，CPU 下默认用 OpenVINO，GPU 下默认用 torch

📐 版面识别 — 基于 PP-DocLayout 系列 ONNX 模型，支持 PP-DocLayoutV3（自带阅读顺序、支持异形框）、V2、plus-L、L、S 多个版本可选

🧮 公式识别 — 使用 PP-FormulaNet_plus 系列模型（L/M/S），支持配置只识别行间公式

📊 表格识别 — 多模型串联方案，先做表格分类（区分有线/无线表格），再进行针对性识别

📄 原生 Office 解析 — 支持 docx/doc、pptx/ppt、xlsx/xls 的原生解析，不依赖模型

解决什么痛点？

你有没有遇到过这样的情况：手头有一堆 PDF 论文、合同、报告，想要提取里面的文字、公式和表格，复制粘贴出来全是乱码，公式变成了一堆看不懂的符号，表格更是惨不忍睹……

😫 传统 OCR 工具要么只认文字不认版面，要么公式识别一塌糊涂，要么表格直接给你整成一坨。更别提那些扫描件里带旋转的页面了，识别出来全是歪的。

💡 RapidDoc 就是来解决这些问题的。它把 OCR、版面分析、公式识别、表格识别、阅读顺序恢复这些能力打包在一起，你只需要几行代码，就能把一份复杂的 PDF 变成结构清晰的 Markdown。而且它特别轻量，在 CPU 上也能保持不错的解析速度，不像某些方案非得配个大显卡才能跑。

更贴心的是，它还支持原生解析 Word、PPT、Excel 文件，不需要调用任何模型，直接提取内容。这意味着你处理日常办公文档时，速度会快得多。

手把手教程

安装

CPU 版本直接一行命令搞定：

pip install rapid-doc[cpu]

如果你有 GPU，可以装 GPU 版本：

pip install rapid-doc[gpu]

想从源码安装也简单：

git clone https://github.com/RapidAI/RapidDoc.gitcd RapidDocpip install -e .[cpu]

快速上手

安装完之后，用起来非常简单：

importosfrompathlibimportPathfromrapid_docimportRapidDocroot=Path(__file__).resolve().parentoutput_dir=root/"output"doc_path_list= [root/"demo/pdfs/示例1-论文模板.pdf",root/"demo/docx/test.docx",]engine=RapidDoc()outputs=engine(doc_path_list, output_dir=output_dir)foroutputinoutputs:print(output.markdown)

就这么几行，PDF 和 Word 文档就都被解析成 Markdown 了。输出的 RapidDocOutput 对象里包含 markdown、images、middle_json、content_list_json 等内容，你可以按需取用。

GPU 加速

如果你想用 GPU 跑，在导入 rapid_doc 之前设置一下环境变量就行：

import osos.environ["MINERU_DEVICE_MODE"] = "cuda"    # 默认 cuda:0# os.environ["MINERU_DEVICE_MODE"] = "cuda:1"  # 指定第二块 GPU

GPU 包会自动安装 onnxruntime-gpu，记得确保你的 CUDA/cuDNN 环境跟 ONNXRuntime 的 CUDA execution provider 要求匹配。

自定义模型配置

RapidDoc 支持灵活配置各类模型。比如你想换一个版面识别模型，或者调整 OCR 引擎：

layout_config = {#"model_type": LayoutModelType.PP_DOCLAYOUTV3,#"engine_cfg": {'use_cuda': True, "cuda_ep_cfg.device_id": 0},}ocr_config = {#"engine_type": OCREngineType.OPENVINO,}formula_config = {#"model_type": FormulaModelType.PP_FORMULANET_PLUS_M,#"engine_type": FormulaEngineType.TORCH,#"engine_cfg": {'use_cuda': True, "gpu_id": 0},}

它还支持自定义 OCR、公式、表格模型，只需要实现 CustomBaseModel 的 batch_predict 方法即可。目前已经内置了 PaddleOCR-VL 系列模型的集成。

Docker 部署

如果你不想折腾环境，RapidDoc 提供了 Docker 部署方案。镜像已经推送到 Docker Hub 了。

CPU 模式启动：

docker-compose -f docker-compose.yml up -d

GPU 模式启动：

docker-compose -f docker-compose-gpu.yml up -d

服务默认跑在 8888 端口。启动后可以先做个健康检查：

curl http://localhost:8888/health

然后就能调用解析接口了：

curl-X POST "http://localhost:8888/parse"-F"file=@document.pdf"-F"mode=pipeline"

Web API 服务

RapidDoc 还提供了一个基于 FastAPI 的 Web API 服务，完全兼容官方接口规范。你可以用 pip 装依赖后直接启动：

pip install rapid-doc fastapi uvicorn python-multipartpython app.py

服务会在 http://localhost:8888 启动，API 文档在 http://localhost:8888/docs 可以访问。

调用 /file_parse 接口解析文件：

curl-X POST "http://localhost:8888/file_parse"-F"files=@document.pdf"-F"return_md=true"

这个接口支持批量上传多个文件，还能选择返回 Markdown、中间 JSON、模型输出、内容列表、图片等多种格式。如果你的文档不是 PDF 而是其他格式（比如 Word、PPT、图片等），可以配合 Gotenberg 服务做转换：

docker run -d -p 3000:3000 gotenberg/gotenberg:8

然后设置环境变量 GOTENBERG_URL 指向这个服务就行。

文本分块与定位

RapidDoc 还提供了文档分块和定位工具，可以在 Chunk 中添加坐标与所属页面信息。匹配时采用 RapidFuzz 找出最相似的 block。

安装分块和定位的依赖：

pip install tiktoken markdown rapidfuzz -i https://mirrors.aliyun.com/pypi/simple/

使用示例可以参考项目里的 example_chunk.py、text_splitters.py 和 get_bbox_page_fast.py。

维度	RapidDoc	MinerU	PaddleOCR
功能	OCR + 版面 + 公式 + 表格 + 阅读顺序 + Office 原生解析	OCR + 版面 + 公式 + 表格 + VLM	OCR + 版面 + 公式 + 表格
性能	Pipeline 架构，CPU 上也能保持不错速度	包含 VLM 模块，资源占用较高	功能全面但集成度需自行搭建
生态	支持 Docker、FastAPI、Gradio Demo、模型自动下载	生态成熟，社区活跃	模型丰富，但需要自行组合