NanoNets/docstrange

这是什么？

核心功能

• 01可将 PDF、DOCX、PPTX、XLSX、图片和网页转换为 Markdown、JSON、CSV 和 HTML。
• 02通过 OCR 与版面检测识别扫描件和手机拍摄的文档。
• 03按指定字段或自定义 JSON Schema 抽取结构化数据。
• 04支持云端处理，也可在本机 CPU 或 GPU 上完全离线运行。
• 05提供本地拖拽式网页界面和命令行工具。

适用场景

• 将扫描合同、报告或收据转换为 Markdown，用于 RAG 流程。
• 从批量 PDF 发票中抽取编号、金额和日期，输出为 JSON 或 CSV。
• 在需要数据留在本地的场景中离线完成文档转换。
• 将 Excel 或 PDF 报表中的表格转换为 CSV 以便分析。

快速上手

1. 1

   使用 pip 安装库

   pip install docstrange
2. 2

   在 Python 中将文档转换为 Markdown（默认云端模式）

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

   可选：安装 Web 界面依赖并启动本地 Web 界面

   pip install "docstrange[web]"

使用前须知

• !免费云处理每月限 10000 份文档，且默认模式会将文件发送到云端。
• !完全私密的本地处理需要 CUDA GPU，没有 GPU 则无法使用本地 GPU 模式。
• !本地模式首次运行时需要下载模型。

标签

常见问题

docstrange 是什么？

Python 库与本地 Web 界面，可将 PDF、Word、PPT、表格、图片和网页转换为 Markdown、JSON、CSV 或 HTML。 DocStrange 是一个 Python 库，可将 PDF、DOCX、PPTX、表格、图片和网页等文档转换为干净的 Markdown、结构化 JSON、CSV 或 HTML。它结合 OCR 与版面检测，能够处理扫描件和手机拍照的文档，并把表格输出为适合 LLM 输入和 RAG 流程使用的格式。

docstrange 可以免费使用吗？用的什么许可证？

docstrange 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。

docstrange 还在维护吗？

超过半年未提交。docstrange 最近一次提交是在 2025年10月31日。

docstrange 适合用来做什么？

将扫描合同、报告或收据转换为 Markdown，用于 RAG 流程。 从批量 PDF 发票中抽取编号、金额和日期，输出为 JSON 或 CSV。 在需要数据留在本地的场景中离线完成文档转换。 将 Excel 或 PDF 报表中的表格转换为 CSV 以便分析。

docstrange 怎么安装和运行？

使用 pip 安装库: pip install docstrange 在 Python 中将文档转换为 Markdown（默认云端模式）: from docstrange import DocumentExtractor extractor = DocumentExtractor() result = extractor.extract("document.pdf") markdown = result.extract_markdown() print(markdown) 可选：安装 Web 界面依赖并启动本地 Web 界面: pip install "docstrange[web]"

在哪里获取 docstrange？

源代码和安装说明在 GitHub 上：https://github.com/NanoNets/docstrange