DocXChain：一个强大的开源文档解析工具链及其扩展
计算机视觉与模式识别
2023-10-20 v1 计算与语言
摘要
在本报告中，我们介绍 DocXChain，一个强大的开源文档解析工具链，其设计与开发旨在将非结构化文档（如文本、表格与图表）中蕴含的丰富信息自动转换为机器可读且可操作的结构化表示。具体而言，提供了文本检测、文本识别、表格结构识别与版式分析等基础能力。在这些基础能力之上，我们还构建了一套功能完备的文档解析流水线，即通用文本读取、表格解析与文档结构化，以驱动现实场景中与文档相关的各类应用。此外，DocXChain 简洁、模块化且灵活，可轻易与现有工具、库或模型（如 LangChain 与 ChatGPT）集成，以构建更强大、能完成更复杂且具有挑战性任务的系统。DocXChain 的代码公开于：~\url{https://github.com/AlibabaResearch/AdvancedLiterateMachinery/tree/main/Applications/DocXChain}
引用
@article{arxiv.2310.12430,
title = {DocXChain: A Powerful Open-Source Toolchain for Document Parsing and Beyond},
author = {Cong Yao},
journal= {arXiv preprint arXiv:2310.12430},
year = {2023}
}
备注
4 pages, 4 figures, 2 tables