Logics-Parsing 文档解析工具

阿里文档智能解析 v1/v2 | GitHub 1.3k ⭐
文档图片 → 结构化 HTML | 复杂布局 | 公式识别 | 化学结构 | 代码块

一、核心定位

本技能整合阿里巴巴 Logics-Parsing 文档解析工具，核心理念：

End-to-End Document Parsing
从文档图片直接输出结构化结果，无需复杂 pipeline

二、版本对比

三、核心能力

3.1 支持的内容类型

3.2 输出结构

\x3Cdiv class="content-block" category="formula" bbox="[x1,y1,x2,y2]">
  \x3C!-- 公式内容 + 坐标 + OCR 文本 -->
\x3C/div>

每个元素包含：

• category: 元素类型（paragraph/table/formula/figure 等）
• bbox: 边界框坐标
• text: OCR 识别文本

四、 Benchmarks 性能

4.1 LogicsDocBench（自建基准）

4.2 OmniDocBench-v1.5（公开基准）

五、安装方式

5.1 基础安装（推荐 v2）

# 1. 克隆仓库
git clone https://github.com/alibaba/Logics-Parsing.git
cd Logics-Parsing

# 2. 创建环境（Python 3.10）
conda create -n logics-parsing python=3.10
conda activate logics-parsing

# 3. 安装依赖
pip install -r requirements.txt

# 4. 下载模型（Modelscope）
pip install modelscope
python download_model_v2.py -t modelscope

# 或从 HuggingFace
pip install huggingface_hub
python download_model_v2.py -t huggingface

5.2 快速安装（仅 v1）

conda create -n logics-parsing python=3.10
conda activate logics-parsing
pip install -r requirements.txt

# 下载模型
python download_model.py -t modelscope

六、快速开始

6.1 v2 推理命令

python3 inference_v2.py \
  --image_path PATH_TO_INPUT_IMG \
  --output_path PATH_TO_OUTPUT \
  --model_path PATH_TO_MODEL

6.2 v1 推理命令

python3 inference.py \
  --image_path PATH_TO_INPUT_IMG \
  --output_path PATH_TO_OUTPUT \
  --model_path PATH_TO_MODEL

6.3 Python API

from logics_parsing import LogicsParser

# 初始化
parser = LogicsParser(model_path="path/to/model")

# 解析文档
result = parser.parse("document.jpg")

# 输出 HTML
print(result.html)

# 输出结构化 JSON
print(result.to_json())

七、应用场景

7.1 学术文档处理

7.2 商业文档处理

7.3 Parsing-2.0 场景（v2 新增）

八、输出示例

8.1 输入

[复杂布局学术论文图片，包含多栏文字、跨页表格、化学结构式]

8.2 结构化输出（HTML）

\x3Cdiv class="content-block" category="paragraph" bbox="[120,340,580,420]">
  \x3Cp>We introduce a new document parsing model...\x3C/p>
\x3C/div>

\x3Cdiv class="content-block" category="formula" bbox="[200,450,400,520]">
  \x3Cspan class="latex">E = mc^2\x3C/span>
\x3C/div>

\x3Cdiv class="content-block" category="chemistry" bbox="[100,550,300,700]">
  \x3Cspan class="smiles">CC(=O)OC(=O)C\x3C/span>
\x3C/div>

\x3Cdiv class="content-block" category="table" bbox="[50,750,600,900]">
  \x3Ctable>
    \x3Ctr>\x3Ctd>Method\x3C/td>\x3Ctd>Score\x3C/td>\x3C/tr>
    \x3Ctr>\x3Ctd>Logics-Parsing\x3C/td>\x3Ctd>82.16\x3C/td>\x3C/tr>
  \x3C/table>
\x3C/div>

九、与其他技能关联

十、常见问题

十一、注意事项

⚠️ 注意事项：
- Python 3.10+ required
- 需要 GPU（推荐 8GB+ 显存）
- 模型文件较大（~2GB），下载需要网络
- 部分功能需要额外字体支持

十二、使用方式

触发场景

用户说「解析这篇 PDF」→ 调用 Logics-Parsing v2
用户说「提取论文公式」→ 调用 Logics-Parsing
用户说「识别化学结构式」→ SMILES 格式输出
用户说「将 PDF 转 HTML」→ 结构化 HTML 输出
用户说「解析乐谱」→ v2 Parsing-2.0 功能

组合使用

用户：「帮我把这篇论文的关键公式和表格提取出来」
→ 使用 Logics-Parsing v2 解析
→ 提取公式（LaTeX）+ 表格（HTML）
→ 存入 Obsidian 或知识库

本技能整合阿里 Logics-Parsing 文档解析工具的完整安装与使用指南