# KittyDoc **Repository Path**: hzkitty/KittyDoc ## Basic Information - **Project Name**: KittyDoc - **Description**: A high-performance, open-source PDF data extraction tool. 一站式开源高性能数据提取工具，将 PDF 转换为 Markdown 和 JSON 格式，适合生产线级文档解析。 - **Primary Language**: Unknown - **License**: Apache-2.0 - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 27 - **Forks**: 8 - **Created**: 2025-08-24 - **Last Updated**: 2026-02-10 ## Categories & Tags **Categories**: doc-tools **Tags**: None ## README # RapidDoc – 高速文档解析系统 ## 😺 项目介绍 **RapidDoc 是一个轻量级、专注于文档解析的开源框架，支持 **OCR、版面分析、公式识别、表格识别和阅读顺序恢复** 等多种功能，支持将复杂 PDF 文档转换为 Markdown、JSON、WORD、HTML 格式。** **框架基于 [Mineru](https://github.com/opendatalab/MinerU) 二次开发，移除 VLM，专注于 Pipeline 产线下的高效文档解析，在 CPU 上也能保持不错的解析速度。** **本项目所使用的默认模型主要来源于 [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) 的 [PP-StructureV3](https://www.paddleocr.ai/main/version3.x/pipeline_usage/PP-StructureV3.html) 系列（OCR、版面分析、公式识别、阅读顺序恢复，以及部分表格识别模型），并已全部转换为 ONNX 格式，支持在 CPU/GPU 上高效推理。** **同时支持自定义OCR、公式、表格模型，需实现 CustomBaseModel 的 batch_predict 方法，目前内置 [PaddleOCRVL](https://www.paddleocr.ai/main/version3.x/pipeline_usage/PaddleOCR-VL.html) 系列模型的集成。** **KittyDoc 已经成为 RapidAI 开源家族成员** --- > ✨如果该项目对您有帮助，您的star是我不断优化的动力！！！ > > - [github点击前往](https://github.com/RapidAI/RapidDoc) > - [gitee点击前往](https://gitee.com/hzkitty/KittyDoc) ## 👏 项目特点 - **OCR 识别** - 使用 [RapidOCR](https://github.com/RapidAI/RapidOCR) 支持多种推理引擎 - CPU 下默认使用 OpenVINO，GPU 下默认使用 torch - **版面识别** - 模型使用 `PP-DocLayout` 系列 ONNX 模型（v2、plus-L、L、M、S） - **PP-DocLayoutV2**：自带阅读顺序，效果最好，默认使用 - **PP-DocLayoutV3**：自带阅读顺序，支持异形框 - **PP-DocLayout_plus-L**：效果好运行稳定 - **PP-DocLayout-L**：速度快，效果也不错 - **PP-DocLayout-S**：速度极快，存在部分漏检 - **公式识别** - 使用 `PP-FormulaNet_plus` 系列 ONNX 模型（L、M、S） - **PP-FormulaNet_plus-L**：速度慢，支持onnx - **PP-FormulaNet_plus-M**：默认使用，支持onnx和torch - **PP-FormulaNet_plus-S**：速度最快，支持onnx，复杂公式精度不够 - 支持配置只识别行间公式 - cuda环境，默认使用torch推理，公式模型onnx gpu推理会报错，暂时无人解决 [PaddleOCR/issues/15125](https://github.com/PaddlePaddle/PaddleOCR/issues/15125), [PaddleX/issues/4238](https://github.com/PaddlePaddle/PaddleX/issues/4238), [Paddle2ONNX/issues/1593](https://github.com/PaddlePaddle/Paddle2ONNX/issues/1593) - **表格识别** - 基于 [rapid_table_self](rapid_doc/model/table/rapid_table_self) 增强，在原有基础上增强为多模型串联方案： - **表格分类**（区分有线/无线表格） - **[有线表格识别UNET](https://github.com/RapidAI/TableStructureRec)** + SLANET_plus/UNITABLE（作为无线表格识别） - **阅读顺序恢复** - PP-DocLayoutV2和PP-DocLayoutV3使用版面模型自带的阅读顺序 - 其余版面模型，使用 PP-StructureV3 阅读顺序恢复算法，基于xycut算法和版面的结果 - **推理方式** - 所有模型通过 ONNXRuntime 推理，OCR可配置其他推理引擎 - 除了 OCR 和 PP-DocLayout-M/S 模型，OpenVINO推理会报错，暂时难以解决。[PaddleOCR/issues/16277](https://github.com/PaddlePaddle/PaddleOCR/issues/16277) --- ## 基准测试结果 ### 1. OmniDocBench 以下是RapidDoc在 OmniDocBench 上的评估结果。 Pipeline 模型使用 PP-DocLayoutV2、PP-OCRv5-mobile、PP-FormulaNet_plus-M、UNET_SLANET_PLUS。
Comprehensive evaluation of document parsing on OmniDocBench (v1.5)
Model Type Methods Size Overall↑ TextEdit↓ FormulaCDM↑ TableTEDS↑ TableTEDS-S↑ Read OrderEdit↓
Specialized
VLMs		 PaddleOCR-VL 0.9B 92.86 0.035 91.22 90.89 94.76 0.043
MinerU2.5 1.2B 90.67 0.047 88.46 88.22 92.38 0.044
MonkeyOCR-pro-3B 3B 88.85 0.075 87.25 86.78 90.63 0.128
OCRVerse 4B 88.56 0.058 86.91 84.55 88.45 0.071
dots.ocr 3B 88.41 0.048 83.22 86.78 90.62 0.053
MonkeyOCR-3B 3B 87.13 0.075 87.45 81.39 85.92 0.129
Deepseek-OCR 3B 87.01 0.073 83.37 84.97 88.80 0.086
MonkeyOCR-pro-1.2B 1.2B 86.96 0.084 85.02 84.24 89.02 0.130
Nanonets-OCR-s 3B 85.59 0.093 85.90 80.14 85.57 0.108
MinerU2-VLM 0.9B 85.56 0.078 80.95 83.54 87.66 0.086
olmOCR 7B 81.79 0.096 86.04 68.92 74.77 0.121
Dolphin-1.5 0.3B 83.21 0.092 80.78 78.06 84.10 0.080
POINTS-Reader 3B 80.98 0.134 79.20 77.13 81.66 0.145
Mistral OCR - 78.83 0.164 82.84 70.03 78.04 0.144
OCRFlux 3B 74.82 0.193 68.03 75.75 80.23 0.202
Dolphin 0.3B 74.67 0.125 67.85 68.70 77.77 0.124
General
VLMs		 Qwen3-VL-235B-A22B-Instruct 235B 89.15 0.069 88.14 86.21 90.55 0.068
Gemini-2.5 Pro - 88.03 0.075 85.82 85.71 90.29 0.097
Qwen2.5-VL 72B 87.02 0.094 88.27 82.15 86.22 0.102
InternVL3.5 241B 82.67 0.142 87.23 75.00 81.28 0.125
InternVL3 78B 80.33 0.131 83.42 70.64 77.74 0.113
GPT-4o - 75.02 0.217 79.70 67.07 76.09 0.148
Pipeline
Tools		 RapidDoc - 87.81 0.065 89.348 80.59 87.90 0.053
PP-StructureV3 - 86.73 0.073 85.79 81.68 89.48 0.073
Mineru2-pipeline - 75.51 0.209 76.55 70.90 79.11 0.225
Marker-1.8.2 - 71.30 0.206 76.66 57.88 71.17 0.250
## 🛠️ 安装RapidDoc #### 使用pip安装 ```bash pip install rapid-doc[cpu] -i https://mirrors.aliyun.com/pypi/simple 或 pip install rapid-doc[gpu] -i https://mirrors.aliyun.com/pypi/simple ``` #### 通过源码安装 ```bash # 克隆仓库 git clone https://github.com/RapidAI/RapidDoc.git cd RapidDoc # 安装依赖 pip install -e .[cpu] -i https://mirrors.aliyun.com/pypi/simple 或 pip install -e .[gpu] -i https://mirrors.aliyun.com/pypi/simple ``` #### 使用gpu推理 ```python # rapid-doc[gpu] 默认安装 onnxruntime-gpu 最新版 # 需要确定onnxruntime-gpu与GPU对应，参考 https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#requirements # 在 Python 中指定 GPU（必须在导入 rapid_doc 之前设置） import os # 使用默认 GPU（cuda:0） os.environ['MINERU_DEVICE_MODE'] = "cuda" # 或指定 GPU 编号，例如使用第二块 GPU（cuda:1） os.environ['MINERU_DEVICE_MODE'] = "cuda:1" ``` #### 使用PaddleOCRVL系列推理 vl模型的部署，参考[官方文档](https://www.paddleocr.ai/main/version3.x/pipeline_usage/PaddleOCR-VL.html#31-vlm) ```python import os os.environ['PADDLEOCRVL_VERSION'] = "v1.5" os.environ['PADDLEOCRVL_VL_REC_BACKEND'] = "vllm-server" os.environ['PADDLEOCRVL_VL_VL_REC_SERVER_URL'] = "http://localhost:8118/v1" from rapid_doc.model.layout.rapid_layout_self import ModelType as LayoutModelType from rapid_doc.model.custom.paddleocr_vl.paddleocr_vl import PaddleOCRVLTableModel, PaddleOCRVLOCRModel, PaddleOCRVLFormulaModel layout_config = { "model_type": LayoutModelType.PP_DOCLAYOUTV3, } ocr_config = { "custom_model": PaddleOCRVLOCRModel() } formula_config = { "custom_model": PaddleOCRVLFormulaModel() } table_config = { "custom_model": PaddleOCRVLTableModel() } ``` #### 使用docker部署RapidDoc RapidDoc提供了便捷的docker部署方式，这有助于快速搭建环境并解决一些棘手的环境兼容问题。 您可以在文档中获取 [Docker部署说明](docker/README.md)，镜像已推送至 [Docker Hub](https://hub.docker.com/r/hzkitty/rapid-doc)。 --- ## 在线体验 ### 基于Gradio的在线demo 基于gradio开发的webui，界面简洁，仅包含核心解析功能，免登录 - [![ModelScope](https://img.shields.io/badge/Demo_on_ModelScope-purple?logo=data:image/svg+xml;base64,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&labelColor=white)](https://www.modelscope.cn/studios/RapidAI/RapidDoc) --- ## 📋 使用示例 - [代码示例](./demo/demo.py) - [参数介绍](./docs/analyze_param.md) - [FastAPI 示例](./docker/README_API.md) --- ## 模型下载 不指定模型路径，初次运行时，会自动下载 - [RapidDoc 模型集（版面/公式/表格）](https://www.modelscope.cn/models/RapidAI/RapidDoc) - [RapidOCR 模型](https://www.modelscope.cn/models/RapidAI/RapidOCR) - [部分表格模型RapidTable](https://www.modelscope.cn/models/RapidAI/RapidTable) --- ## 📌 TODO - [x] 跨页表格合并 - [x] 复选框识别，使用opencv（默认关闭、opencv识别存在误检） - [x] 提供 fastapi，支持cpu和gpu版本的docker镜像构建 - [x] 文本型pdf，表格非OCR文本提取 - [x] 文本型pdf，使用pypdfium2提取文本框bbox - [x] 文本型pdf，支持0/90/270度三个方向的表格解析 - [x] 文本型pdf，使用pypdfium2提取原始图片（默认截图会导致清晰度降低和图片边界可能丢失部分） - [x] 表格内公式提取，表格内图片提取 - [x] 优化阅读顺序，支持多栏、竖排等复杂版面恢复 - [x] 公式支持torch推理，可用GPU加速 - [x] 版面、表格模型支持openvino - [x] markdown转docx、html - [x] 支持 PP-DocLayoutV2 版面识别+阅读顺序 - [x] OmniDocBench评测 - [ ] 支持自定义的ocr、table、公式。支持PaddleOCR-VL系列 - [ ] 公式支持openvino ## 🙏 致谢 - [MinerU](https://github.com/opendatalab/MinerU) - [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) - [RapidOCR](https://github.com/RapidAI/RapidOCR) ## ⚖️ 开源许可 基于 [MinerU](https://github.com/opendatalab/MinerU) 改造而来，已**移除原项目中的 YOLO 模型**，并替换为 **PP-StructureV3 系列 ONNX 模型**。 由于已移除 AGPL 授权的 YOLO 模型部分，本项目整体不再受 AGPL 约束。 该项目采用 [Apache 2.0 license](LICENSE) 开源许可证。