NanoNets/docstrange

これは何？

主な機能

• 01PDF、DOCX、PPTX、XLSX、画像、URLをMarkdown、JSON、CSV、HTMLに変換します。
• 02OCRとレイアウト検出を使って、スキャン文書やスマートフォンで撮影した写真を読み取ります。
• 03指定したフィールドや、カスタムJSONスキーマに沿ったデータを抽出します。
• 04クラウドまたはCPU／GPUで完全にローカル実行できます。
• 05ローカルのドラッグ＆ドロップ対応Webインターフェースとコマンドラインツールを提供します。

ユースケース

• スキャンした契約書、レポート、領収書をRAGパイプライン向けのMarkdownに変換する。
• PDFの一括処理で、請求書番号、合計金額、日付をJSONまたはCSVに抽出する。
• データをオンプレミスに留める必要がある環境で、オフラインでドキュメントを変換する。
• ExcelやPDFレポートのテーブルを、分析用のCSVに変換する。

クイックスタート

1. 1

   pipでライブラリをインストールします

   pip install docstrange
2. 2

   PythonでドキュメントをMarkdownに変換します（デフォルトはクラウドモード）

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

   必要に応じてWeb UIの依存関係をインストールし、ローカルWebインターフェースを起動します

   pip install "docstrange[web]"

使う前に知っておきたいこと

• !無料のクラウド処理は月10,000件までです。デフォルトモードではファイルがクラウドに送信されます。
• !完全にプライベートなローカル処理にはCUDA GPUが必要です。CUDA GPUがない場合、ローカルGPUモードは利用できません。
• !ローカルモードでは初回実行時にモデルをダウンロードする必要があります。

トピック

よくある質問

docstrange とは？

PDF、DOCX、PPTX、XLSX、画像、URLをOCRと構造化フィールド抽出によりMarkdown、JSON、CSV、HTMLに変換するPythonライブラリとWeb UI。 DocStrangeは、PDF、DOCX、PPTX、スプレッドシート、画像、Webページなどのドキュメントを、整形されたMarkdown、構造化JSON、CSV、HTMLに変換するPythonライブラリです。OCRとレイアウト検出に対応しているため、スキャン文書やスマートフォンで撮影した写真も変換でき、テーブルはLLMへの入力やRAGパイプラインに適した形式で出力されます。

docstrange は無料で使えますか？ライセンスは？

docstrange は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

docstrange は今もメンテナンスされていますか？

半年以上コミットなし。docstrange の最終コミットは 2025年10月31日 です。

docstrange は何に使えますか？

スキャンした契約書、レポート、領収書をRAGパイプライン向けのMarkdownに変換する。 PDFの一括処理で、請求書番号、合計金額、日付をJSONまたはCSVに抽出する。 データをオンプレミスに留める必要がある環境で、オフラインでドキュメントを変換する。 ExcelやPDFレポートのテーブルを、分析用のCSVに変換する。

docstrange のインストール方法は？

pipでライブラリをインストールします: pip install docstrange PythonでドキュメントをMarkdownに変換します（デフォルトはクラウドモード）: from docstrange import DocumentExtractor extractor = DocumentExtractor() result = extractor.extract("document.pdf") markdown = result.extract_markdown() print(markdown) 必要に応じてWeb UIの依存関係をインストールし、ローカルWebインターフェースを起動します: pip install "docstrange[web]"

docstrange はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/NanoNets/docstrange