编排文档版面分析、OCR 与表格识别的 Python 库

deepdoctection 是一个用于文档理解（Document AI）的 Python 库，能够编排扫描件与 PDF 的版面分析、表格识别、OCR 及文档/词元分类。

它本身不是从头造轮子，它更像一个"调度中心"，把业界现有的成熟技术（如 Detectron2 做版面识别、Tesseract 做 OCR、LayoutLM 做文字分类）整合到一起，让你用几行代码就能搭起一条完整的文档处理流水线，而不必自己去研究每一个底层模型。

要点

• 智能版面分析与表格识别： 借助 Detectron2、 Transformers 等底层框架，它可以精准地切分和识别复杂文档中的段落、列表、标题、甚至带有边框或无边框的复杂表格结构。
• 多引擎 OCR 与 PDF 文本提取： 内置对 Tesseract、DocTr（支持 PyTorch 和 Tensorflow）以及 AWS Textract 的支持，专门对付扫描件和图片；对于原生 PDF，则可以直接调用 pdfplumber 实现无损、高效的底层文本挖掘。
• 文档/词元分类： 完美兼容当今公认最强悍的 LayoutLM 家族模型（v1、v2、v3、XLM）以及 LiLT 架构，并能无缝整合来自 Hugging Face Hub 的更多微调模型（如 Bert、RoBERTa 等），支持滑动窗口（sliding windows）等推理特征。此外，还内置了基于 Transformer 的多语言语种检测功能。
• 全生命周期流水线管控： 它的核心价值在于“串联”。不仅提供图像预处理组件（比如利用 jdeskew 自动纠偏和旋转扫描图片），还能进行后处理（比如将离散的单词重新关联到对应的排版区域中）。
• 私有化训练与精度评估： 除了直接使用预训练模型，它还内置了针对特定业务场景的微调（Fine-tuning）脚本和评估框架，允许你自己投喂数据来训练专属模型，并一键对比各种指标，完全满足企业级的定制需求。

场景

• 发票、合同、报销单的自动录入：财务人员不用手动抄数据，系统自动从扫描件里提取金额、日期、公司名。
• 纸质档案数字化：把大量历史扫描文档变成可搜索、可分析的电子资料。
• 表格数据提取：从 PDF 报表里把表格内容批量抓出来，导进数据库或 Excel。
• 文档信息抽取：从简历、证件、票据中自动识别关键字段。

项目由 deepdoctection 团队开发（12 位贡献者，核心维护者 JaMe76），采用 Apache 2.0 协议开源，当前 3.2k Stars，被约 1.9K 个项目依赖使用。

❝

项目地址：https://github.com/deepdoctection/deepdoctection