DocSlight - 開源文件解析與文件資料擷取引擎

DocSlight 是 KDAN 生態系的一部分，提供文件解析、OCR 與資料擷取功能，可將 PDF、掃描檔、圖片及 Office 文件轉換為結構化輸出，適用於 RAG、AI Agent 與企業文件自動化。

如果您覺得 DocSlight 實用，歡迎在 GitHub 上為我們點亮一顆 ⭐ Star，支持我們持續成長與改進。

有任何問題或想法？歡迎前往 Discussions 與我們交流。

快速開始 • 產品版本比較 • 使用方式 • 基準測試 • Cloud API → • 技術文件

為什麼選擇 DocSlight？

不同於傳統 OCR 工具，DocSlight 將 AI 驅動的文件解析、支援 80 多種語言的 OCR，以及結構化資料擷取功能整合於單一開源平台。您可以選擇地端部署，也可以透過雲端 API 取得更高的準確度。

核心優勢

開源文件資料擷取引擎，避免受特定供應商限制
OCR 支援 80 多種語言，並具備多語言自動偵測功能
支援結構化欄位擷取與邊界框（Bounding Box）溯源
提供 Markdown 與 JSON 輸出，方便串接後續處理流程
提供 Web UI + CLI + Python SDK
支援地端部署或 Cloud API
專為 RAG、AI Agent 與企業文件工作流程打造

適用情境

RAG 管線與知識庫建置
發票處理與文件資訊擷取
合約分析與條款解析
AI 助手與 AI Agent 工具整合
企業文件自動化與智慧文件處理（IDP）

無論您正在建置個人 RAG 專案，或是大型企業文件自動化系統，DocSlight 都能為文件理解工作提供穩固且易於擴充的基礎。

快速開始

雲端模式（準確度更高，提供免費額度）

# 1. 安裝
pip install docslight

# 2. 設定 API Key
export COMPDF_API_KEY="your_public_key"    # 前往 https://compdf.com 取得

# 3. 使用雲端引擎解析
docslight parse invoice.pdf --mode cloud --output invoice.md

取得 API Key： 登入 ComPDF Console，並在 API Key 頁面建立或複製您的 publicKey。

地端模式（免費，無需註冊）

# 1. 安裝
pip install docslight

# 2. 解析文件
docslight parse invoice.pdf --mode local --output invoice.md

# 3. 取得結構化結果
ls invoice.zip

Web UI（瀏覽器）

# 啟動 Web 介面
git clone https://github.com/ComPDF/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打開 http://localhost:3022 並將檔案拖曳至頁面即可

以上功能皆可於 ComPDF 線上體驗，→ 體驗連結

產品版本比較

需要工作流程自動化、RBAC、稽核日誌、私有化部署或專屬支援嗎？了解企業版： https://www.compdf.com/ai/docslight

功能	DocSlight Lite（地端）	DocSlight-Lite（雲端）	DocSlight Enterprise（SaaS）	DocSlight Enterprise（私有化部署）
地端檔案上傳	✅	✅	✅	✅
雲端檔案上傳	❌	❌	✅	✅
DMS 檔案上傳	❌	❌	✅	✅
掃描器檔案上傳	❌	❌	✅	✅
PDF 解析	✅	✅	✅	✅
圖片解析	✅	✅	✅	✅
Word / PPT / Excel 解析	✅	✅	✅	✅
Markdown 輸出	✅	✅	✅	✅
JSON 輸出	✅	✅	✅	✅
PDF 資料擷取	需要地端 LLM	✅	✅	✅
圖片資料擷取	需要地端 LLM	✅	✅	✅
Word / PPT / Excel 資料擷取	需要地端 LLM	✅	✅	✅
舊版 Office 格式解析與擷取（.doc/.ppt/.xls）	❌	✅	✅	✅
批次處理	✅	❌	✅	✅
自動分類	❌	❌	✅	✅
人工審核工作流程	❌	❌	✅	✅
複雜版面分析	基礎	進階	進階	進階
OCR 最佳化	基礎	進階	進階	進階
結果溯源	❌	❌	✅	✅
結果後續處理	❌	❌	✅	✅
智慧結果審核	❌	❌	✅	✅
自訂規則警示	❌	❌	✅	✅
Webhook 整合	❌	❌	✅	✅
API 管理	❌	有限	✅	✅
知識庫整合	❌	❌	✅	✅
稽核日誌	❌	❌	✅	✅
RBAC	❌	❌	✅	✅
多租戶支援	❌	❌	❌	✅
私有化部署	僅限地端	❌	❌	✅
專用 GPU	❌	❌	可選	✅

輸入/輸出格式對照表

輸入類型	副檔名	雲端解析	地端解析	雲端擷取	地端擷取	解析輸出	擷取輸出	說明
PDF	`.pdf`	✅	✅	✅	✅ 需要地端 LLM	Markdown、JSON、標準 JSON、ZIP	JSON	地端 PDF 解析會使用柵格化/OCR 流程。
圖片	`.png`、`.jpg`、`.jpeg`、`.tif`、`.tiff`、`.bmp`、`.webp`	✅	✅	✅	✅ 需要地端 LLM	Markdown、JSON、標準 JSON、ZIP	JSON	地端圖片解析會將每張圖片視為一頁。
Word	`.docx`	✅	✅	✅	✅ 需要地端 LLM	Markdown、JSON、標準 JSON、ZIP	JSON	地端不支援舊版 `.doc`。
PowerPoint	`.pptx`	✅	✅	✅	✅ 需要地端 LLM	Markdown、JSON、標準 JSON、ZIP	JSON	地端不支援舊版 `.ppt`。
Excel	`.xlsx`	✅	✅	✅	✅ 需要地端 LLM	Markdown、JSON、標準 JSON、ZIP	JSON	地端不支援舊版 `.xls`。
舊版 Office	`.doc`、`.ppt`、`.xls`	取決於雲端 API 支援	❌	取決於雲端 API 支援	❌	雲端結果格式	JSON	地端處理前請先轉換為 `.docx`、`.pptx` 或 `.xlsx`。

docslight convert-parse-json 會接收地端解析產生的 JSON 物件，並輸出符合標準解析 JSON Schema 的結果；此指令不會直接處理原始文件。

安裝與首次執行

DocSlight 支援 Python 3.10 到 3.13。

pip install "docslight"

雲端模式需要網路連線及有效的 ComPDF Cloud API Key。地端模式預設使用 CPU；OCR 與 LLM 的處理時間會依文件大小、硬體效能及所選模型而異。

使用情境

RAG 管線 — 解析文件 -> 向量化嵌入 -> LLM 查詢
發票處理 — 擷取發票號碼、日期、金額與明細項目
合約分析 — 解析條款、當事人與日期，並支援邊界框溯源
文件數位化 — 批次將掃描檔轉換為可搜尋文字
AI Agent 整合 — 為 Claude / ChatGPT 提供 MCP 文件讀取服務

可執行的範例程式碼位於 examples/：

使用方式

Python SDK

from docslight import Parser

# 地端模式 — 開源 OCR 與文件解析
parser = Parser(mode="local")
result = parser.parse("contract.pdf")
print(result.text)                    # 完整 Markdown 文字
print(result.metadata)                # 頁碼、區塊、邊界框

# 雲端模式 — 準確度更高的 PDF 解析
parser = Parser(mode="cloud", api_key="your_key")
result = parser.parse("invoice.pdf")
print(result.text)
print(result.tables)                  # 結構化表格資料
print(result.blocks[0].bbox)          # 邊界框溯源

CLI

# 將 PDF 解析為 Markdown
docslight parse document.pdf --mode cloud -o document.md

# 解析為 JSON 或Standard JSON
docslight parse scan.png --mode cloud --format json -o scan.json
docslight parse scan.png --mode cloud --format standard-json -o standard.json

# 解析並輸出 ZIP 封存檔
docslight parse invoice.pdf --mode local --format zip -o invoice.zip

# 欄位擷取（雲端模式）
docslight extract invoice.pdf --mode cloud --fields invoice_no,date,total
docslight extract invoice.pdf --schema schema.json
docslight extract invoice.pdf --document-types document-types.json

# 使用地端 LLM 擷取資料
docslight extract invoice.pdf --mode local --fields invoice_no,total --local-llm-provider ollama --local-llm-model llama3.1

# 將地端解析 JSON 轉換為 Standard JSON
docslight convert-parse-json parse.json -o standard.json

# 啟動地端 API 服務
docslight web --host 127.0.0.1 --port 8000 --debug

CLI 指令

docslight parse INPUT [OPTIONS]
docslight extract INPUT [OPTIONS]
docslight convert-parse-json INPUT [OPTIONS]

parse/extract 通用參數

參數	可選值 / 預設值	說明
`INPUT`	檔案路徑	要處理的文件路徑。
`--mode`	`cloud`、`local`；預設值來自設定檔、環境變數或 `cloud`	選擇使用 ComPDF Cloud 或地端離線處理。
`--api-key`	字串	雲端 API Key，覆寫 `COMPDF_API_KEY`。
`--base-url`	URL；預設為 `https://api-server.compdf.com`	雲端 API 基礎 URL，覆寫 `DOCSLIGHT_BASE_URL`。
`--local-parser`	字串	地端解析器選擇器，目前保留供地端解析器設定使用。
`--local-llm-provider`	`ollama`、`openai`、`openai-compatible`；使用任一地端 LLM 參數時預設為 `ollama`	地端結構化擷取使用的 LLM 提供商。
`--local-llm-model`	字串	地端結構化擷取所使用的模型；使用地端 LLM 擷取時為必填。
`--local-llm-base-url`	URL	地端 LLM 端點。Ollama 預設為 `http://localhost:11434`；OpenAI-compatible 提供商必須指定。
`--local-llm-api-key`	字串	地端 LLM API Key。Ollama 預設為 `ollama`。

parse 參數

參數	可選值 / 預設值	說明
`--output`、`-o`	檔案路徑	將輸出寫入檔案；未指定時輸出至標準輸出。
`--format`	`markdown`、`json`、`standard-json`、`zip`；預設為 `markdown`	指定解析輸出格式。若省略此參數，且 `--output` 以 `.zip` 結尾，系統會自動判斷為 `zip`。

markdown 會輸出解析後的 Markdown；json 會輸出 SDK 解析結果；standard-json 會輸出標準解析 JSON schema 的結果；zip 會輸出原始解析封存檔，通常應搭配 output 使用。

extract 參數

參數	可選值 / 預設值	說明
`--output`、`-o`	檔案路徑	將擷取結果 JSON 寫入檔案；未指定時輸出至標準輸出。
`--fields`	以逗號分隔的欄位名稱，例如 `invoice_no,total`	指定需要擷取的欄位。
`--schema`	JSON 檔案路徑	擷取 schema 的 JSON 檔案。CLI 會讀取此檔案，並把 JSON 物件傳入 `extract`；常見內容為 `{"fields": ["invoice_no", "date", "total"]}`。同時支援 `properties` 的 JSON Schema 格式物件。
`--document-types`	JSON 檔案路徑	文件類型路由設定檔；JSON 根節點必須是列表，例如 `["invoice", "receipt"]`。

schema.json 範例：

{
  "fields": ["invoice_no", "date", "total"]
}

convert-parse-json 參數

參數	可選值 / 預設值	說明
`INPUT`	JSON 檔案路徑	要轉換的地端解析 JSON；JSON 根節點必須是物件。
`--output`、`-o`	檔案路徑	將轉換後的Standard JSON 寫入檔案；未指定時輸出至標準輸出。

環境變數與設定檔

變數	說明
`COMPDF_API_KEY`	雲端模式使用的 API Key。
`DOCSLIGHT_MODE`	處理模式：`cloud` 或 `local`，預設為 `cloud`。
`DOCSLIGHT_BASE_URL`	雲端 API Base URL，預設為 `https://api-server.compdf.com`。
`DOCSLIGHT_TIMEOUT`	雲端請求逾時時間，單位為秒，預設為 `30`。
`DOCSLIGHT_LOCAL_PARSER`	地端解析器選擇器。

DocSlight 也會讀取 ~/.docslight/config.toml。設定套用順序為：內建預設值、設定檔、環境變數、明確傳入的 SDK 或 CLI 參數。

mode = "cloud"
api_key = "your-api-key"
base_url = "https://api-server.compdf.com"
timeout = 30
local_parser = "paddleocr"  # 地端解析器設定保留

[local_llm]
provider = "ollama"
model = "llama3.1"
base_url = "http://localhost:11434"
api_key = "ollama"
timeout = 120

CLI 提供主要的地端 LLM 設定。extra_body 等進階地端 LLM 供應商設定，可透過 SDK 或 ~/.docslight/config.toml 設定。

Docker

git clone https://github.com/ComPDF/docslight.git

cd docslight

docker compose -f docker/docker-compose.yml up
# 打開 http://127.0.0.1:3022

競品比較

能力	DocSlight	MinerU	PDF-Extract-Kit	ExtractThinker
PDF 解析	✅	✅	✅	⚠️
OCR 支援	✅	⚠️	✅	❌
資料擷取	✅	❌	❌	✅
Web UI	✅	❌	❌	❌
CLI	✅	✅	✅	❌
Python SDK	✅	✅	✅	⚠️
Cloud API	✅	❌	❌	❌
企業部署	✅	❌	❌	❌
Markdown 輸出	✅	✅	✅	⚠️
JSON 輸出	✅	✅	✅	✅
多語言 OCR	✅	⚠️	⚠️	❌
商業支援	✅	❌	❌	❌

系統架構

┌─────────────────────────────────────────────────────────────────────────────────┐
│                         DocSlight 開源文件解析與擷取引擎                          │
│                        （LGPL 授權 | 地端 + 雲端雙模式）                         │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                        存取方式層（入口）                                         │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────────────┐   ┌────────────────────────┐  ┌───────────────────┐ │
│  │   Docker Web UI（建議）   │  │           CLI           │  │    Python SDK     │ │
│  │  容器化部署，快速開始使用    │  │       命令列工具        │  │  原生程式碼整合   │ │
│  │                           │  │                         │  │                  │ │
│  │  docker compose -f        │  │docslight parse <file>   │  │  from docslight  │ │
│  │  docker/compose.yml up    │  │                         │  │  import Parser   │ │
│  │                           │  │docslight extract <file> │  │  parser.parse()  │ │
│  │  瀏覽器開啟 http://localhost│  │                        │  │                   │ │
│  │  :3022                    │  │  docslight web         │  │                   │ │
│  └───────────────────────────┘  └────────────────────────┘  └───────────────────┘ │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           核心處理路由層（Router）                               │
│                   根據 --mode / 配置 自動切換 地端 / 雲端 引擎                   │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                    ┌─────────────────┴─────────────────┐
                    │                                   │
                    ▼                                   ▼
┌───────────────────────────────────┐   ┌─────────────────────────────────────┐
│        🖥️ 地端模式（Lite Local）   │   │        ☁️ 雲端模式（Lite Cloud）    │
│   （免費、離線執行、支援CPU）     │   │   （高精確度、需要 API Key，GPU 加速） │
├───────────────────────────────────┤   ├─────────────────────────────────────┤
│  • 輸入格式：                      │   │  • 輸入格式：                       │
│    PDF / 圖片 / 新版 Office       │   │    + 加入舊版 Office (.doc/.xls等)     │
│    (.docx/.pptx/.xlsx)           │   │                                     │
│  • 基礎 OCR：PaddleOCR            │   │  • 高準確度 VLM OCR 引擎             │
│  • 基礎版面分析                   │   │  • 複雜版面分析（表格/公式/多欄）   │
│  • 欄位抽取：需自行設定地端 LLM       │   │  • 內建 AI 欄位抽取                │
│    （Ollama/OpenAI-compatible）          │   │  • 邊界框（BBox）精準溯源          │
│  • 輸出：Markdown / JSON / Text   │   │  • 輸出：Markdown / JSON / Text    │
└───────────────────────────────────┘   └─────────────────────────────────────┘
                    │                                   │
                    └─────────────────┬─────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                          AI 功能層（引擎模組）                                  │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│  ┌──────────────────┐  ┌──────────────────┐  ┌─────────────────────────────┐  │
│  │   OCR 引擎       │  │   結構分析器     │  │   欄位抽取模組               │  │
│  │  • 地端：         │  │  • 區塊分類      │  │  • 範本抽取                 │  │
│  │  PaddleOCR       │  │  • 表格偵測      │  │  • 自訂欄位                 │  │
│  │  • 雲端：         │  │  • 鍵值對映    │  │  • 規則 + LLM 結合          │  │
│  │  VLM 引擎        │  │  • 公式辨識      │  │  • BBox 溯源                │  │
│  └──────────────────┘  └──────────────────┘  └─────────────────────────────┘  │
│                                                                                 │
└─────────────────────────────────────────────────────────────────────────────────┘
                                      │
                                      ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│                           輸出與生態層（Output & Ecosystem）                    │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                 │
│   ┌───────────────┐   ┌───────────────┐   ┌───────────────────────────────┐  │
│   │  標準輸出格式  │   │  AI 生態系整合  │   │  企業版擴充（SaaS / 私有化部署）  │  │
│   │  • Markdown   │   │  • LangChain  │   │  • 工作流程編排                 │  │
│   │  • JSON       │   │  • LlamaIndex │   │  • 知識庫 / DMS               │  │
│   │  • Text       │   │  • CrewAI     │   │  • RBAC / 稽核日誌            │  │
│   │  • 含 BBox    │   │  • AutoGen    │   │  • 智慧審核 / 自訂規則        │  │
│   │    座標溯源   │   │  • Haystack   │   │  • 多租戶 / 私有化部署        │  │
│   └───────────────┘   └───────────────┘   └───────────────────────────────┘  │
│                                                                                 │
│   ┌──────────────────────────────────────────────────────────────────────────┐ │
│   │  適用情境：RAG 管線 / AI Agent / 企業文件自動化 / 智慧文件處理（IDP） │ │
│   └──────────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────────┘

專為 AI Agent 與 RAG 打造

DocSlight 協助開發者運用開源 PDF 解析與開源文件資料擷取技術，建置現代化的 AI 文件工作流程。

常見應用

RAG 系統
AI 助手
企業知識庫
AI Agent 工作流程
文件搜尋引擎
MCP 應用
智慧文件處理（IDP），適用於不同規模的開源工作流程

相容生態系

OpenAI
Claude
Ollama
LangChain
LlamaIndex
CrewAI
AutoGen
Haystack

典型工作流程

PDF / 圖片 / Office 文件
            ↓
        docslight
            ↓
Markdown / JSON 輸出
            ↓
向量資料庫
            ↓
LLM / AI Agent
            ↓
產生答案並執行自動化流程

基準測試

模型類型	方法	參數量	綜合得分↑	TextEdit↓	FormulaCDM↑	TableTEDS↑	TableTEDS-S↑	Read OrderEdit↓
DocSlight（雲端）	Specialized VLMs	0.9B	96.45	0.0321	97.76	94.80	97.02	0.131
MinerU2.5-Pro	Specialized VLMs	1.2B	95.75	0.036	97.45	93.42	95.92	0.120
GLM-OCR	Specialized VLMs	0.9B	95.22	0.044	97.18	92.83	95.39	0.133
PaddleOCR-VL-1.5	Specialized VLMs	0.9B	94.93	0.038	96.89	91.67	94.37	0.130
Ovis2.6-30B-A3B	Specialized VLMs	30B	93.70	0.035	95.17	89.44	92.40	0.135
Logics-Parsing-v2	Specialized VLMs	4B	93.33	0.041	95.65	88.42	91.98	0.137
HunyuanOCR	Specialized VLMs	1B	89.95	0.088	87.68	91.01	93.23	0.171
Qwen3-VL-235B	General VLMs	235B	89.78	0.063	92.55	83.07	86.75	0.166
Dolphin-v2	Specialized VLMs	3B	89.50	0.069	91.01	84.40	87.44	0.150
GPT-5.2	General VLMs	-	86.59	0.114	88.21	82.95	87.93	0.193
Mistral OCR	Specialized VLMs	-	85.66	0.097	89.91	76.78	80.93	0.171
Nanonets-OCR-s	Specialized VLMs	3B	83.61	0.108	81.46	80.18	84.51	0.213
Marker	Pipeline Tools	-	78.44	0.157	85.24	65.77	73.24	0.243

方法說明： 基於人工標註的真實資料，以字元級準確率進行評估。測試集包含超過 500 份企業文件，涵蓋發票、合約、表格及報告。資料集可於 benchmarks/dataset 取得。

安裝套件說明

套件	描述
`docslight`	核心 CLI + Python SDK

pip install "docslight"

支援

有任何建議？歡迎發起討論。如果您覺得 DocSlight 實用，歡迎在 GitHub 上為我們點亮一顆 ⭐ Star，支持我們持續成長與改進。

授權條款

DocSlight 採用 LGPL 開源授權條款。

如需商業版或企業版授權，包括支援 GPU 的私有化部署方案，請前往 compdf.com 洽詢。

由 ComPDF 團隊打造
官網 · 文件 · 企業諮詢

Navigation Menu

Uh oh!

DocSlight - 開源文件解析與文件資料擷取引擎

為什麼選擇 DocSlight？

核心優勢

適用情境

快速開始

雲端模式（準確度更高，提供免費額度）

地端模式（免費，無需註冊）

Web UI（瀏覽器）

產品版本比較

輸入/輸出格式對照表

安裝與首次執行

使用情境

使用方式

Python SDK

CLI

CLI 指令

parse/extract 通用參數

parse 參數

extract 參數

convert-parse-json 參數

環境變數與設定檔

Docker

競品比較

系統架構

專為 AI Agent 與 RAG 打造

常見應用

相容生態系

典型工作流程

基準測試

安裝套件說明

支援

授權條款

Uh oh!

FilesExpand file tree

README_TW.md

Latest commit

History

README_TW.md

File metadata and controls

DocSlight - 開源文件解析與文件資料擷取引擎

為什麼選擇 DocSlight？

核心優勢

適用情境

快速開始

雲端模式（準確度更高，提供免費額度）

地端模式（免費，無需註冊）

Web UI（瀏覽器）

產品版本比較

輸入/輸出格式對照表

安裝與首次執行

使用情境

使用方式

Python SDK

CLI

CLI 指令

parse/extract 通用參數

parse 參數

extract 參數

convert-parse-json 參數

環境變數與設定檔

Docker

競品比較

系統架構

專為 AI Agent 與 RAG 打造

常見應用

相容生態系

典型工作流程

基準測試

安裝套件說明

支援

授權條款