rapid-doc 0.9.4

A practical tool for converting PDF to Markdown

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。

支持docx/doc、pptx/ppt、xlsx/xls的原生解析（不使用模型）。

框架基于 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 的 PP-StructureV3 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 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
• gitee点击前往

👏 项目特点

• OCR 识别

  • 使用 RapidOCR 支持多种推理引擎
  • CPU 下默认使用 OpenVINO（速度快，内存占用较高），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, PaddleX/issues/4238, Paddle2ONNX/issues/1593

• 表格识别

  • 基于 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 + 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

---

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

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

# 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

# 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

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，镜像已推送至 Docker Hub。

---

📋 使用

import os
from pathlib import Path
from rapid_doc import RapidDoc
__dir__ = Path(__file__).resolve().parent.parent
output_dir = os.path.join(__dir__, "output")

doc_path_list = [
    __dir__ / "demo/pdfs/示例1-论文模板.pdf",
    __dir__ / "demo/docx/test.docx",
]
engine = RapidDoc()
outputs = engine(doc_path_list, output_dir=output_dir)
for output in outputs:
    print(output.markdown)

---

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

• 

---

📋 使用示例

• 代码示例

• 参数介绍

• FastAPI 示例

---

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）
• RapidOCR 模型
• 部分表格模型RapidTable

---

📌 TODO

• 跨页表格合并
• 复选框识别，使用opencv（默认关闭、opencv识别存在误检）
• 提供 fastapi，支持cpu和gpu版本的docker镜像构建
• 文本型pdf，表格非OCR文本提取
• 文本型pdf，使用pypdfium2提取文本框bbox
• 文本型pdf，支持0/90/270度三个方向的表格解析
• 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）
• 表格内公式提取，表格内图片提取
• 优化阅读顺序，支持多栏、竖排等复杂版面恢复
• 公式支持torch推理，可用GPU加速
• 版面、表格模型支持openvino
• markdown转docx、html
• 支持 PP-DocLayoutV2 版面识别+阅读顺序
• OmniDocBench评测
• 支持自定义的ocr、table、公式。支持PaddleOCR-VL系列
• 支持docx/doc、pptx/ppt、xlsx/xls的原生解析（不使用模型）
• 支持印章文本检测
• 文档方向90°、270°矫正（默认关闭），表格方向90°、270°矫正（默认开启）

🙏 致谢

• MinerU
• PaddleOCR
• RapidOCR

Star History

⚖️ 开源许可

基于 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 开源许可证。