DocParse

统一文档 → Markdown API。底层使用 Firecrawl 开源库：

• pdf-inspector（MIT）— PDF 分类与文本抽取
• anydoc（MIT）— Office / EPUB / CSV 等 → Markdown
• RapidOCR（可选）— 扫描页本地 OCR（中文友好）

界面

中文	English

快速开始

cd H:\work\codes\docparse
.\.venv\Scripts\activate
pip install -e ".[ocr,dev]"
uvicorn app.main:app --reload --port 8787

打开 http://127.0.0.1:8787/ 使用网页上传；API 文档见 http://127.0.0.1:8787/docs

API

方法	路径	说明
GET	/health	健康检查（含 OCR 是否可用）
POST	/v1/parse	同步解析（小文件）
POST	/v1/parse/async	异步提交，返回 job_id
GET	/v1/jobs/{job_id}	查询任务状态 / 结果
POST	/v1/detect	仅检测 PDF 类型（是否需 OCR）

同步（小文件）

curl.exe -F "file=@report.docx" http://127.0.0.1:8787/v1/parse -o out.json

异步（大书 / OCR）

# 1) 提交
curl.exe -F "file=@H:/电子书/穷查理宝典.pdf" http://127.0.0.1:8787/v1/parse/async -o job.json
# 打开 job.json 看 job_id

# 2) 轮询（把 JOB_ID 换成实际值）
curl.exe http://127.0.0.1:8787/v1/jobs/JOB_ID -o status.json

status 为 succeeded 时，result.markdown 即为正文。

OCR

配置	含义
DOCPARSE_OCR_PROVIDER=rapid	默认；本地 RapidOCR
DOCPARSE_OCR_PROVIDER=stub	只提示需 OCR 的页，不识别
DOCPARSE_OCR_PROVIDER=none	跳过 OCR
DOCPARSE_OCR_MAX_PAGES=50	单次最多 OCR 页数
DOCPARSE_OCR_SCALE=2.0	渲染清晰度
DOCPARSE_JOB_WORKERS=1	并行任务数
DOCPARSE_JOBS_DIR=data/jobs	任务落盘目录

pip install -e ".[ocr]"
copy .env.example .env

Docker（私有化部署）

# 构建镜像（含 OCR 全部依赖，约 1GB）
docker build -t docparse .

# 运行
docker run -d -p 8787:8787 -v docparse-data:/data --name docparse docparse

# 或用 compose
docker compose up -d --build

打开 http://127.0.0.1:8787/ 。任务数据持久化在 docparse-data 卷；配置通过环境变量覆盖（见 docker-compose.yml）。

架构

上传 → /v1/parse        → 立即返回 Markdown
     → /v1/parse/async  → 落盘排队 → 线程池解析 → GET /v1/jobs/:id
              ├─ PDF  → pdf-inspector →（扫描页）RapidOCR
              └─ 其它 → anydoc

协议与致谢

本项目代码 MIT。上游 pdf-inspector / anydoc 为 MIT，见 NOTICE。

下一步

• 接入真实 OCR（RapidOCR）
• 异步任务队列（大文件 / OCR）
• 私有化 Docker 镜像
• API Key + 按页计费