DeepDoc PDF Parser

专业的 PDF 解析库 - 基于 RAGFlow DeepDoc 模块抽取

这是一个从 RAGFlow 项目的 DeepDoc 模块中抽取出来的专门用于 PDF 解析的 Python 库。它提供了强大的 PDF 文档解析能力，支持 OCR 文字识别、智能布局分析、表格提取等高级功能。

✨ 特性

• 🔍 智能 OCR 识别 - 基于深度学习的文字识别，支持中英文混合文档
• 📄 布局分析 - 自动识别文档结构，区分标题、正文、表格、图片等
• 📊 表格提取 - 智能识别和提取表格内容，输出结构化 HTML
• 🚀 高性能 - 支持并行处理，提高解析速度
• 🎯 智能分块 - 自动将文档分割成有意义的文本块
• 📱 易于使用 - 提供简洁的 API 接口，一行代码即可使用

📦 安装

使用 uv（推荐）：

uv add deepdoc-pdfparser

使用 pip：

pip install deepdoc-pdfparser

⚙️ 配置和依赖（macOS）

其他操作系统可根据具体的报错信息以此安装依赖项。

下载 nltk 数据

import nltk
nltk.download('wordnet')

系统工具

brew install libomp poppler tesseract libmagic ghostscript pandoc

🚀 快速开始

基本用法

from deepdoc_pdfparser import parse_pdf

# 解析PDF文件
result = parse_pdf("document.pdf")

# 查看解析结果
print(f"共解析出 {len(result)} 个文本块")
print(f"包含 {len(result.tables)} 个表格")

# 遍历文本块
for chunk in result:
    print(f"页码: {chunk.page_number}")
    print(f"内容: {chunk.content}")
    print(f"布局类型: {chunk.layout_type}")
    print("-" * 50)

提取所有文本

from deepdoc_pdfparser import extract_text

# 直接提取所有文本
text = extract_text("document.pdf")
print(text)

按页面提取

from deepdoc_pdfparser import extract_text_by_page

# 提取第一页的文本
page_text = extract_text_by_page("document.pdf", page_number=0)
print(page_text)

提取表格

from deepdoc_pdfparser import extract_tables

# 提取所有表格（HTML格式）
tables = extract_tables("document.pdf")
for i, table_html in enumerate(tables):
    print(f"表格 {i+1}:")
    print(table_html)

高级用法

from deepdoc_pdfparser import PdfParser

# 创建解析器实例
parser = PdfParser()

# 自定义进度回调
def progress_callback(progress, message):
    print(f"进度: {progress:.1%} - {message}")

# 解析指定页面范围
result = parser.parse(
    "document.pdf",
    from_page=0,      # 起始页（从0开始）
    to_page=10,       # 结束页
    callback=progress_callback
)

# 按页面获取文本
page_2_text = result.get_text_by_page(2)
print(page_2_text)

# 按页面获取表格
page_2_tables = result.get_tables_by_page(2)
for table in page_2_tables:
    print(table.html)

处理二进制数据

from deepdoc_pdfparser import parse_pdf_binary

# 从二进制数据解析
with open("document.pdf", "rb") as f:
    pdf_binary = f.read()

result = parse_pdf_binary(pdf_binary, filename="document.pdf")

📚 API 参考

主要类

PdfParser

专业的 PDF 解析器，支持 OCR 和布局分析。

方法：

• parse(pdf_path, from_page=0, to_page=100000, callback=None, **kwargs) - 解析 PDF 文件
• parse_binary(pdf_binary, filename="document.pdf", **kwargs) - 解析二进制数据

便捷函数

parse_pdf(pdf_path, from_page=0, to_page=100000, callback=None, **kwargs)

使用深度学习模型解析 PDF 文件的主要函数。

参数：

• pdf_path (str): PDF 文件路径
• from_page (int): 起始页码（从 0 开始）
• to_page (int): 结束页码
• callback (Callable): 进度回调函数
• **kwargs: 其他参数

返回：

• ParseResult: 解析结果对象

extract_text(pdf_path, **kwargs)

提取 PDF 中的所有文本。

参数：

• pdf_path (str): PDF 文件路径
• **kwargs: 其他参数

返回：

• str: 提取的文本内容

extract_text_by_page(pdf_path, page_number, **kwargs)

提取 PDF 指定页面的文本。

参数：

• pdf_path (str): PDF 文件路径
• page_number (int): 页码（从 0 开始）
• **kwargs: 其他参数

返回：

• str: 提取的文本内容

extract_tables(pdf_path, **kwargs)

提取 PDF 中的所有表格（HTML 格式）。

参数：

• pdf_path (str): PDF 文件路径
• **kwargs: 其他参数

返回：

• List[str]: 表格的 HTML 列表

parse_pdf_binary(pdf_binary, filename="document.pdf", **kwargs)

解析 PDF 二进制数据。

参数：

• pdf_binary (bytes): PDF 二进制数据
• filename (str): 文件名（用于显示）
• **kwargs: 其他参数

返回：

• ParseResult: 解析结果对象

数据类型

ParseResult

解析结果容器。

属性：

• chunks: List[ChunkResult] - 文本块列表
• tables: List[TableResult] - 表格列表
• metadata: Dict[str, Any] - 元数据

方法：

• get_text() -> str - 获取所有文本
• get_text_by_page(page_number: int) -> str - 获取指定页面文本
• get_tables_by_page(page_number: int) -> List[TableResult] - 获取指定页面表格

ChunkResult

文本块结果。

属性：

• content: str - 文本内容
• page_number: int - 页码
• position: Optional[Tuple[float, float, float, float]] - 位置信息
• layout_type: Optional[str] - 布局类型
• confidence: Optional[float] - 置信度
• raw_data: Optional[Dict[str, Any]] - 原始数据

TableResult

表格结果。

属性：

• html: str - 表格 HTML
• page_number: Optional[int] - 页码
• position: Optional[Tuple[float, float, float, float]] - 位置信息

📋 示例

完整示例

from deepdoc_pdfparser import parse_pdf, extract_text, extract_tables

# 解析PDF文件
pdf_path = "example.pdf"

# 方法1: 使用便捷函数快速提取文本
text = extract_text(pdf_path)
print("提取的文本:")
print(text)

# 方法2: 使用便捷函数提取表格
tables = extract_tables(pdf_path)
print(f"\n找到 {len(tables)} 个表格:")
for i, table in enumerate(tables):
    print(f"表格 {i+1}:")
    print(table)

# 方法3: 使用完整解析获取详细信息
result = parse_pdf(pdf_path)
print(f"\n解析结果:")
print(f"总文本块: {len(result.chunks)}")
print(f"总表格: {len(result.tables)}")
print(f"元数据: {result.metadata}")

# 查看每个文本块的详细信息
for chunk in result.chunks:
    print(f"页码: {chunk.page_number}")
    print(f"布局类型: {chunk.layout_type}")
    print(f"内容: {chunk.content[:100]}...")
    if chunk.position:
        print(f"位置: {chunk.position}")
    print("-" * 50)

⚙️ 配置和依赖

本库依赖于 RAGFlow 的 DeepDoc 模块。请确保：

1. 已正确安装所有依赖
2. 模型文件位于正确的路径
3. 系统有足够的内存处理大型 PDF 文件

🤝 贡献

欢迎贡献代码！请：

1. Fork 项目
2. 创建功能分支
3. 提交更改
4. 推送到分支
5. 创建 Pull Request

📄 许可证

本项目采用 Apache 2.0 许可证。详见 LICENSE 文件。

🙏 致谢

本项目基于 RAGFlow 项目的 DeepDoc 模块开发。感谢 RAGFlow 团队的出色工作。

📞 支持

如果您遇到问题或有功能请求，请：

1. 查看 文档
2. 搜索 已有问题
3. 创建 新问题

---

注意: 这是一个实验性项目，从 RAGFlow 中抽取。建议在生产环境使用前进行充分测试。