Logics-Parsing阿里文档解析

阿里文档智能解析工具 - 将PDF/图片转结构化HTML。支持复杂布局、公式识别、化学结构、代码块、流程图、乐谱等。

Security Scan

This is an instruction-only skill that documents how to install and run Alibaba's Logics-Parsing tool; the described steps, downloads, and runtime commands match the skill's stated purpose and there are no unexplained credential or system requirements.

Purpose & Capability

The name/description (PDF/image → structured HTML, formulas, chemistry, diagrams, etc.) are consistent with the SKILL.md content. The instructions (git clone the repo, create Python environment, pip install requirements, download models, run inference scripts or Python API) align with the stated capability.

Instruction Scope

The SKILL.md instructs the agent/user to clone a GitHub repo and run model-download and inference scripts. These actions are within the tool's purpose but do involve network I/O and execution of third-party code from the cloned repository; the instructions do not request unrelated files or environment variables.

Install Mechanism

There is no built-in install spec in the skill bundle; the SKILL.md recommends cloning https://github.com/alibaba/Logics-Parsing.git and using conda/pip to install dependencies and download models (Modelscope or Hugging Face). These are common installation steps but they cause the agent to fetch and execute external code and large model files — moderate operational risk but expected for this purpose. The referenced hosts (GitHub, Modelscope, HuggingFace) are standard.

Credentials

The skill declares no required environment variables, credentials, or config paths. The instructions may optionally require a Hugging Face token or Modelscope access if model repositories are private, but the SKILL.md does not demand unrelated secrets. No excessive or unexplained credential requests are present.

Persistence & Privilege

always is false and the skill is instruction-only with no code persisted inside the skill bundle. It does not request elevated or persistent agent privileges or modify other skills' configurations.

Assessment

This skill is coherent with its purpose, but note that following the instructions will clone and execute third‑party code and download large models. Before running: (1) review the GitHub repository and license to ensure it’s legitimate; (2) run installs in an isolated environment (container/VM) or dedicated conda env; (3) be prepared for large downloads and GPU requirements; (4) if using Hugging Face Model downloads, you may need a HF token — provide only tokens you trust and avoid sharing broader credentials; and (5) if you cannot inspect the repo, treat execution as higher-risk and prefer running on an isolated machine.

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	v1	v2（推荐）
发布	2025-09	2026-02
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 Notation	v2 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

<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-5	46.0
Gemini 2.5 pro	26.0
Qwen2.5VL-72B	34.9
SmolDocling	92.7

4.2 OmniDocBench-v1.5（公开基准）

模型	总体分数
Logics-Parsing-v2	93.23 ✅
GPT-5	46.0
Gemini 2.5 pro	46.0
Qwen2VL-72B	35.9
Doubao-1.6	31.7

---

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

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

[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）

<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-Parsing	ai-research-tools	论文解析 + 科研自动化
Logics-Parsing	browser-use	网页内容抓取 + 解析
Logics-Parsing	obsidian-handbook	解析结果存入 Obsidian
Logics-Parsing	math-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

⚠️ 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