DocStrange：让任意文档秒变 AI 可读的干净数据

图1：DocStrange 项目横幅

一、痛点场景

深夜赶报告时，客户发来一份扫描版 PDF 发票，传统 OCR 识别满是乱码，表格结构全丢。又或者，你在搭建 RAG 知识库时，产品经理甩来一个嵌套三张表格、两段图片注释的 Word 文档——Embedding 模型读到的全是碎片化的垃圾文字。

DocStrange 正是为解决这类「文档到数据」的最后一公里问题而生的。它能把 PDF、图片、Word、Excel、PPT、网页、URL 一键转成干净的 Markdown、JSON、CSV 或 HTML，全程支持结构化字段提取和高级 OCR——恰好是 LLM 应用（RAG、知识库）最需要但最难搞定的环节。

二、项目背景

DocStrange 由 Nanonets 公司开发。Nanonets 是一家专注于 AI 文档智能化的企业，在金融票据自动化领域深耕多年。2025 年 8 月，DocStrange 核心模型升级至 7B 参数级别，大幅提升复杂文档理解精度，并引入本地 Web UI，做到开箱即用。MIT 许可证，商用免费，Python 3.8-3.13 全兼容。

三、核心功能

支持格式：PDF、DOCX、DOC、TXT、XLSX、XLS、CSV、PPTX、PPT、JPG、PNG、BMP、TIFF、WebP、GIF（含扫描件）、HTML、HTM、URL。

三种处理模式：

• 免费云端：每月 10000 份文档免费额度（需注册），延迟低但数据外传。
• 本地 GPU：NVIDIA 显卡开启 gpu=True，100% 本地处理，数据永不离开机器，适合医疗/法务等高隐私场景。
• 本地 CPU：无独显时用云端 API，配 API Key 即可，适合普通开发者。

智能表格提取：内置表格检测模型，识别嵌套表格、跨列跨行单元格，输出 Markdown 表格或 CSV，LLM 读取结构完整。

结构化数据提取：传入 JSON Schema 或字段列表（如 ["发票号", "金额", "日期"]），返回结构化 JSON。批量处理合同、证件必备。

四、Web UI

pip install docstrange[web]
docstrange-web

本地启动 Flask 服务，浏览器拖拽上传，支持 Markdown / JSON / CSV / HTML 四种输出，最大 100MB。首次启动自动检测 GPU：CUDA 可用则下载 GPU 模型；无 GPU 则切换云端模式。

图2：DocStrange Web UI 操作演示

五、代码架构

模块化流水线设计：

流程：文件输入 - 格式检测 - 路由 Processor - PDF/图片先经 OCR + 布局分析 - 送入 7B 神经网络文档模型 - 输出 Markdown/JSON/CSV/HTML。

六、技术栈

七、MCP 服务器

提供 MCP Server 模块（mcp_server_module/），可注册到 Claude Desktop，直接用自然语言让 Claude 读取、分析、提取 PDF/Word 文档内容，AI 辅助开发场景实用。

八、局限与争议

1. 无官方容器化：无 Dockerfile 或 docker-compose，企业 Docker 部署需自行编写。

2. 云端隐私风险：默认云端模式向 Nanonets 服务器传输文件，强合规行业建议 GPU 模式。

3. 首次启动慢：GPU 模式首次下载约 2GB 模型，网络不佳环境耗时。

4. 显存门槛：7B 模型本地运行需 6-8GB 以上显存，CPU 用户只能云端模式。

九、行业意义

高质量文档解析是 RAG 流水线最易出瓶颈的环节。DocStrange 瞄准这一痛点，提供开箱即用的端到端文档处理管道。差异化优势：开源免费（vs AWS）、本地私有化（vs Google）、一条命令安装（vs LangChain 多组件拼接）。未来补上 Docker 支持后，有望成为文档处理领域标杆开源项目。

图3：DocStrange 官方 Logo