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#

维度v1v2（推荐）发布2025-092026-02性能基础 SOTA全面领先LogicsDocBench基准82.16 分OmniDocBench基准93.23 分Parsing-2.0❌ 不支持✅ 支持结构化内容公式/化学+ 流程图/乐谱/代码

---

三、核心能力#

3.1 支持的内容类型#

类型输出格式说明文本段落HTML <p>自动识别标题/页眉/页脚表格HTML Table跨页表格合并科学公式LaTeX / MathML复杂公式精准识别化学结构SMILES 格式分子式标准化流程图Mermaid 语法v2 新增乐谱ABC Notationv2 新增代码块语法高亮代码v2 新增手写内容独立标注区分打印/手写

3.2 输出结构#

html

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

模型总体分数Logics-Parsing-v2****82.16 ✅GPT-546.0Gemini 2.5 pro26.0Qwen2.5VL-72B34.9SmolDocling92.7

4.2 OmniDocBench-v1.5（公开基准）#

模型总体分数Logics-Parsing-v2****93.23 ✅GPT-546.0Gemini 2.5 pro46.0Qwen2VL-72B35.9Doubao-1.631.7

---

五、安装方式#

5.1 基础安装（推荐 v2）#

bash

# 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）#

bash

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#

bash

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#

bash

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

6.3 Python API#

python

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#

场景能力论文 PDF 解析提取公式/表格/参考文献化学论文SMILES 格式分子结构数学讲义LaTeX 公式精准提取教科书复杂布局（多栏/跨页）处理

7.2 商业文档处理#

场景能力合同解析条款表格结构化财务报表数字表格提取发票识别表单字段提取报纸剪报复杂排版处理

7.3 Parsing-2.0 场景（v2 新增）#

场景输出格式流程图Mermaid 代码乐谱ABC Notation代码块语法高亮代码Pseudocode结构化伪代码

---

八、输出示例#

8.1 输入#

text

[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）#

html

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

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

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

<div class="content-block" category="table" bbox="[50,750,600,900]">
  <table>
    <tr><td>Method</td><td>Score</td></tr>
    <tr><td>Logics-Parsing</td><td>82.16</td></tr>
  </table>
</div>

---

九、与其他技能关联#

本技能关联技能关系Logics-Parsingai-research-tools论文解析 + 科研自动化Logics-Parsingbrowser-use网页内容抓取 + 解析Logics-Parsingobsidian-handbook解析结果存入 ObsidianLogics-Parsingmath-theory-notes数学公式识别

---

十、常见问题#

问题解决方案模型下载慢使用 Modelscope（国内推荐）显存不足减小 image_size 参数OCR 乱码检查字体配置表格识别不准使用 v2 版本性能更优

---

十一、注意事项#

text

⚠️ 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#

text

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#

text

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