嗨，大家好，我是徐小夕。
8年+程序员，曾任职多家上市公司，4年架构经验，打造过上亿用户规模的如软件产品，目前全职创业，创业项目主要聚集于“Dooring AI零代码搭建平台”和“flowmixAI多模态办公软件”。
大家都知道这两年我一直在研究和迭代多模态文档引擎 flowmix/docx：
flowmix/docx
其中涉及到许多复杂的技术实现，列如多模态内容嵌入，文档解析和渲染等。
在研发的过程中，有一个超级棘手的问题——文档结构化解析，用传统工程化的方式基本上很难实现对docx，pdf等文件内的复杂格式进行提取和识别， 列如公式，表格，艺术字等。
flowmix/docx
恰巧最近在逛 github 的时候，发现一款超级有价值的文档解析方案——DocExt。
github地址：
https://github.com/NanoNets/docext
DocExt 最大的技术亮点在于摒弃了传统 OCR 技术逐字识别的模式，转而采用视觉语言模型（VLM），从整体语义和视觉布局层面理解文档。
这一转变，彻底重构了文档解析全流程。传统 OCR 在面对模糊字迹、复杂表格、多语言混排等情况时，识别准确率会大幅下降；而 DocExt 的 VLM 技术，如同人类阅读文档般，通过对上下文和整体结构的分析，精准定位并提取关键信息。例如，在处理一份格式混乱的发票时，DocExt 能够快速锁定金额、日期、发票抬头等字段，无需依赖复杂的模板匹配或人工校正，极大提升了文档解析效率与准确性。
视觉语言模型是视觉和自然语言模型的融合。它将图像及其各自的文本描述作为输入，并学习将两种模式的知识关联起来。该模型的视觉部分从图像中捕获空间特征，而语言模型则对文本中的信息进行编码。
之所以我觉得这种方案比较优秀，是由于它充分利用了AI大模型的能力，并能生成结构化的文档数据。
这里不得不提一下目前主流的文档内容系统。
大家对飞书文档，Notion笔记管理工具想必不会陌生，它们的文档数据结构都是基于DSL：
通俗一点来说，也就是结构化的json数据。到这里相比大家为什么我比较推荐DocExt 了。
DocExt 基于大模型的文档结构化提取技术，是其区别于其他工具的核心竞争力。通过训练视觉语言模型，DocExt 可以直接将非结构化的文档图像转化为结构化数据，支持发票、合同、证件、报表等多种常见文档类型。
以表格提取为例，即使是跨页、格式不规则的表格，DocExt 也能准确识别行列关系，完整提取数据，这是传统 OCR 技术难以企及的。并且，DocExt 支持本地部署，数据无需上传至云端，在保障数据安全与隐私的同时，也满足了金融、政务等对数据合规要求较高的行业需求。
所以 DocExt + flowmix/docx 可以实现超级强劲的云端文档编辑能力，我们可以基于 flowmix/docx 强劲的文档编辑能力和 DocExt 的文档解析能力，来实现对传统文档（DOCX，PDF， Excel）等的线上解析和编辑。
本地安装和部署
DocExt 的本地安装部署也超级简单，接下来和大家介绍一下它的几种安装方式。
1. 通过虚拟环境安装
# 安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh
# 创建 Python 3.11 的虚拟环境
uv venv --python=3.11
source .venv/bin/activate
# 从 PyPI 安装
uv pip install docext
# 本地运行
python -m docext.app.app当然安装方式我们除了通过虚拟环境，也可以直接通过源码的方式安装：
git clone https://github.com/nanonets/docext.git
cd docext
uv pip install -e .启动后打开 Web 页面，可看到以下典型界面模块：
- 文档上传区域：拖拽或选择 PDF/图片后，自动触发处理，可批量上传；
- 字段 & 表格识别结果：关键字段高亮展示、表格直观渲染；
- 导出按钮：一键导出 JSON、CSV、Markdown 等格式，适合各类使用习惯。
当然 github 上有完整的介绍，大家可以参考研究一下。
github地址：
https://github.com/NanoNets/docext
当然大家有好的方案和提议也欢迎随时在留言区交流反馈～
最后
我们最近研发的 flowmix/docx多模态文档引擎，目前也在持续更新中，欢迎体验参考：
文档地址：
https://flowmix.turntip.cn
大家有好的想法和提议。欢迎随时评论区交流反馈～
- 最新
- 最热
只看作者