Repolode
Enviar
NanoNets

NanoNets/docstrange

Biblioteca de Python e interfaz web que convierte PDF, DOCX, PPTX, XLSX, imágenes y URL a Markdown, JSON, CSV o HTML, con OCR y extracción de campos estructurados.

Alternativa open source a:Amazon TextractAdobe Acrobat

Ver en GitHubSitio web
Estrellas
1,579
Forks
138
Issues abiertos
14
Último commit
hace 12 meses

¿Qué es?

DocStrange es una biblioteca de Python para convertir documentos como archivos PDF, DOCX y PPTX, hojas de cálculo, imágenes y páginas web a Markdown limpio, JSON estructurado, CSV o HTML. Aplica OCR y detección de diseño para convertir documentos escaneados y fotos tomadas con el teléfono; además, genera tablas en un formato adecuado para usarlas como entrada de LLM y en pipelines de RAG.

Además de la conversión básica, puede extraer campos específicos, como números de factura o totales, o generar resultados que sigan un esquema JSON personalizado. El procesamiento puede realizarse mediante una API en la nube gratuita, con un nivel autenticado de 10.000 documentos al mes, o de forma local en CPU o GPU CUDA para mantener los datos completamente privados. Tras instalar la opción adicional web, se puede usar una interfaz web integrada con función de arrastrar y soltar; también hay una herramienta de línea de comandos para convertir archivos por lotes.

El proyecto se instala con pip y requiere Python 3.8 o posterior. El repositorio incluye un servidor MCP opcional para Claude Desktop, destinado al desarrollo local.

Funciones clave

  • 01Convierte PDF, DOCX, PPTX, XLSX, imágenes y URL a Markdown, JSON, CSV y HTML.
  • 02Usa OCR y detección de diseño para leer documentos escaneados y fotos tomadas con el teléfono.
  • 03Extrae campos especificados o datos que sigan un esquema JSON personalizado.
  • 04Se ejecuta en la nube o completamente de forma local en CPU o GPU.
  • 05Ofrece una interfaz web local con función de arrastrar y soltar y una herramienta de línea de comandos.

Casos de uso

  • Preparar contratos, informes o recibos escaneados en Markdown para pipelines de RAG.
  • Extraer números, totales y fechas de facturas de lotes de PDF y guardarlos en JSON o CSV.
  • Convertir documentos sin conexión cuando los datos deben permanecer en las instalaciones.
  • Convertir tablas de Excel o informes en PDF a CSV para analizarlas.

Inicio rápido

  1. 1

    Instala la biblioteca con pip

    pip install docstrange
  2. 2

    Convierte un documento a Markdown en Python (el modo predeterminado es en la nube)

    from docstrange import DocumentExtractor extractor = DocumentExtractor() result = extractor.extract("document.pdf") markdown = result.extract_markdown() print(markdown)
  3. 3

    Opcionalmente, instala las dependencias de la interfaz web y ejecuta la interfaz web local

    pip install "docstrange[web]"

Antes de usarlo

  • El procesamiento gratuito en la nube está limitado a 10 000 documentos al mes y, en el modo predeterminado, los archivos se envían a la nube.
  • El procesamiento local totalmente privado requiere una GPU CUDA; el modo de GPU local no está disponible sin ella.
  • El modo local necesita descargar los modelos la primera vez que se ejecuta.

Temas

#ocr#document-parsing#pdf-to-markdown#structured-data#llm#rag#tables#ai#document-parser#image-to-markdown

Preguntas frecuentes

¿Qué es docstrange?
Biblioteca de Python e interfaz web que convierte PDF, DOCX, PPTX, XLSX, imágenes y URL a Markdown, JSON, CSV o HTML, con OCR y extracción de campos estructurados. DocStrange es una biblioteca de Python para convertir documentos como archivos PDF, DOCX y PPTX, hojas de cálculo, imágenes y páginas web a Markdown limpio, JSON estructurado, CSV o HTML. Aplica OCR y detección de diseño para convertir documentos escaneados y fotos tomadas con el teléfono; además, genera tablas en un formato adecuado para usarlas como entrada de LLM y en pipelines de RAG.
¿docstrange es gratuito? ¿Qué licencia tiene?
docstrange es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿docstrange sigue mantenido?
Sin commits en más de 6 meses. El último commit de docstrange fue el 31 oct 2025.
¿Para qué puedo usar docstrange?
Preparar contratos, informes o recibos escaneados en Markdown para pipelines de RAG. Extraer números, totales y fechas de facturas de lotes de PDF y guardarlos en JSON o CSV. Convertir documentos sin conexión cuando los datos deben permanecer en las instalaciones. Convertir tablas de Excel o informes en PDF a CSV para analizarlas.
¿Cómo se instala docstrange?
Instala la biblioteca con pip: pip install docstrange Convierte un documento a Markdown en Python (el modo predeterminado es en la nube): from docstrange import DocumentExtractor extractor = DocumentExtractor() result = extractor.extract("document.pdf") markdown = result.extract_markdown() print(markdown) Opcionalmente, instala las dependencias de la interfaz web y ejecuta la interfaz web local: pip install "docstrange[web]"
¿Dónde consigo docstrange?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/NanoNets/docstrange

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados