rapid-doc 0.1.0

A practical tool for converting PDF to Markdown

RapidDoc – 高速文档解析产线

😺 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。

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。

本项目所使用的核心模型主要来源于 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。

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，GPU 下默认使用 torch

• 版面识别

  • 模型使用 PP-DocLayout 系列 ONNX 模型（plus-L、L、M、S）
    • PP-DocLayout_plus-L：效果最好，速度稍慢
    • PP-DocLayout-L：速度快，效果也不错，默认使用
    • PP-DocLayout-S：速度极快，可能存在部分漏检

• 公式识别

  • 使用 PP-FormulaNet_plus 系列 ONNX 模型（L、M、S）
    • PP-FormulaNet_plus-L：速度慢
    • PP-FormulaNet_plus-S：速度最快，默认使用
  • 支持配置只识别行间公式
  • cuda环境默认不使用gpu，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）
    • SLANeXt 系列 表结构识别 + 单元格检测
    • 有线表格识别UNET + SLANET_plus/UNITABLE（作为无线表格识别）

• 阅读顺序恢复

  • 使用 PP-StructureV3 阅读顺序 xycut++ 算法简化
  • 速度快且阅读顺序恢复效果不错

• 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

---

🛠️ 安装RapidDoc

使用pip安装

pip install rapid-doc -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 -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple

使用gpu推理

# 在安装完 rapid_doc 之后，卸载 cpu 版的 onnxruntime
pip uninstall onnxruntime
# 这里一定要确定onnxruntime-gpu与GPU对应
# 可参见https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#requirements
pip install onnxruntime-gpu

# 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"

---

📋 使用示例

• 代码示例

• 参数介绍

---

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

• 表格非OCR文本提取
• 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）
• 复选框识别，使用模型
• 四方向分类旋转表格解析 rapid_orientation
• 表格内公式提取
• 表格内图片提取
• 公式识别支持gpu
• 版面、表格、公式支持openvino
• RapidDoc4j（Java版本）

🙏 致谢

• MinerU
• PaddleOCR & PP-StructureV3
• RapidOCR

⚖️ 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。