Doctra
PDF/DOCX文档一键转Markdown/Excel/JSON，支持VLM结构化提取和扫描件图像修
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
PDF/DOCX文档一键转Markdown/Excel/JSON，支持VLM结构化提取和扫描件图像修
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：Doctra 支持 PDF、DOCX、图片扫描件等多种格式的结构化解析
想象一个场景：你手里有一份50页的财务报告 PDF，里面既有文字段落，也有跨页表格，还有折角扫描导致的变形。用户需要你把所有内容转成结构化数据，供 AI 分析使用——传统方法是什么？用 OCR 工具提取文字，用 Excel 手动重建表格，用正则表达式提取关键数据。一个人忙活大半天，结果还不一定准确。
Doctra 正是为解决这个痛点而生。这是一个由独立开发者 Adem Boukhris 创建的 Python 文档解析库，通过组合 PaddleOCR 布局检测、PyMuPDF 文本提取、图像修复（DocRes）和多模态大模型（VLM）四大能力，实现一键将任意 PDF 转换为 Markdown、Excel 和结构化 JSON。项目在 GitHub 已有 211 颗 Stars，并在 Hugging Face 上托管了可在线体验的演示空间。
文档解析（Document Parsing）一直是 AI 落地中最繁琐的前处理环节。RAG（检索增强生成）系统需要将 PDF 转化为文本，财务分析需要从扫描件中提取表格数据，合同审核需要识别手写批注——这些场景的共同问题是：PDF 不是为程序读取设计的。
Adem Boukhris 作为独立开发者，在文档解析实验室（Documents-Parsing-Lab）中系统测试过数十种 OCR 和文档解析方案后，决定将经验沉淀为一个统一框架。他在 GitHub Discussions 中提到，设计初衷是让研究文档解析的人不需要重复造轮子——Doctra 正是这一理念的产物。项目采用 Apache 2.0 开源许可证，代码结构清晰，对学术和商业场景都很友好。
Doctra 的架构设计值得细说。作者没有把 OCR、布局检测、VLM 输出混在一起，而是采用了模块化插件架构，每一层都可以独立替换：
第一层：布局检测（Layout Detection）
基于 PaddleOCR PP-DocLayout 系列模型，自动识别 PDF 中的段落、标题、表格、图片、脚注等区域。这一步决定了后续处理的精度——如果布局识别错了，表格就会被打散成乱序文字。PP-DocLayout_plus-L 提供高精度版，适合复杂文档。
第二层：文字识别（OCR Engine）
支持两种 OCR 引擎，用户可以按需切换：
第三层：图像修复（DocRes Image Restoration）
扫描质量不佳的文档（折角、阴影、过曝、模糊）直接 OCR 效果很差。Doctra 的 EnhancedPDFParser 集成了 DocRes 模型，提供 6 种修复任务：去扭曲（dewarping）、去阴影（deshadowing）、去模糊（deblurring）、外观增强（appearance）、二值化（binarization）和端到端修复（end2end）。修复后 OCR 准确率显著提升。
第四层：VLM 结构化提取（Vision Language Model）
这是 Doctra 与传统 OCR 工具拉开差距的核心功能。通过 VLMStructuredExtractor 接入多款多模态大模型：
Doctra 提供 6 个专用 Parser，覆盖主流文档解析场景：
| 组件 | 功能 | 典型场景 |
|---|---|---|
| StructuredPDFParser | 通用 PDF 解析，提取全文+图片+布局 | 通用文档转换 |
| EnhancedPDFParser | 继承前者 + DocRes 图像修复 | 扫描件、老旧档案 |
| ChartTablePDFParser | 仅提取图表/表格，支持 VLM 结构化 | 数据分析、前端展示 |
| PaddleOCRVLPDFParser | PaddleOCRVL 端到端解析 | 高精度复杂文档 |
| StructuredDOCXParser | Word 文档结构化解析 | Office 文档转换 |
| DocResEngine | 独立图像修复引擎 | 预处理任何图像 |
图2：Doctra 项目 Logo
输出格式方面，doctra/exporters/ 目录包含专门的导出模块：Markdown 书写器（保留标题层级）、Excel 写入器（重建表格）、HTML 书写器和图片保存器。用户可以根据下游需求选择最适合的输出格式。
Doctra 的 Gradio UI（doctra/ui/app.py）提供了完整的图形化界面，分为 5 个功能标签页：
Gradio UI 采用模块化设计（full_parse_ui.py、tables_charts_ui.py、docres_ui.py 等独立文件），每个标签页有自己的状态管理和事件处理器，便于维护和扩展。UI 支持深色主题、自定义 CSS，并通过 ui_helpers.py 统一样式常量。
从 PyPI 安装非常简单：pip install doctra，代码层面体验良好。但系统依赖是主要门槛：
Doctra 当前没有提供 Dockerfile，这是最大的部署痛点。理想情况下，一个 docker-compose.yml 可以一键解决所有依赖隔离问题。但即便如此，对于有 Docker 基础的用户，手动配置也不算困难——作者提供了详细的系统依赖安装说明，覆盖了 Ubuntu、macOS、Windows 三大平台。
Web UI 启动方式：python -m doctra.ui.app，无需 API Key 即可使用基础 OCR 功能。接入 VLM（如 GPT-4V）需要配置相应的 API Key，代码中通过环境变量或参数传入，安全性需用户自行保障。
Doctra 还提供了命令行接口：doctra 命令。CLI 封装在 doctra/cli/main.py 中，适合集成到数据管道或自动化脚本中，实现批量文档转换。这对于需要处理大量文档的企业场景尤为重要——比如每天处理上千份合同，或者周期性归档扫描档案。
没有任何工具是银弹，Doctra 也不例外：
对中文文档的支持：当前默认语言为英文（lang="eng"），中文 OCR 需要额外配置 Tesseract 语言包，且 VLM 对中文表格结构的理解效果因模型而异。中文用户在使用前需要做额外测试。
VLM API 成本：调用 GPT-4V 等商业模型处理大量文档会产生 API 费用。Doctra 虽然支持 Ollama 本地模型，但本地 VLM 的精度通常低于云端模型，需要在成本和精度间做权衡。
内存占用：PaddleOCR + PaddlePaddle + DocRes + Gradio 全家桶同时加载，内存占用不低。无 GPU 的机器上处理大文档（100页以上）可能较慢。
Dockerfile 缺失：如前所述，缺少容器化支持增加了部署复杂度，限制了其在云原生环境中的使用。
Doctra 所在的文档解析赛道，2025 年竞争极为激烈。IBM 的 Docling、Anthropic 的 Claude 文档解析、LlamaIndex 的 LlamaParse、LlamaCloud 的 Parseur 都在争夺同一批用户。Doctra 的差异化在于：完全开源 + Gradio 零代码体验 + 灵活的模块化架构，特别适合需要深度定制的研究者和开发者。
从项目增长看，Doctra 的 Stars 增长曲线与文档解析需求的爆发高度吻合。随着 RAG 系统在企业 AI 落地中的普及，将非结构化文档转化为 AI-Ready 数据的前处理工具市场还在持续扩大。Doctra 若能补齐 Docker 支持和中文优化，有望在开源文档解析工具中占据更稳固的位置。
一句话总结：Doctra 是一款面向 AI 开发者的高质量文档解析工具包，通过模块化设计将 OCR、布局检测、图像修复和 VLM 有机整合，支持 PDF/DOCX 多格式输出，配有零代码 Gradio 界面，适合从研究原型到生产管道的多种场景。