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。

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

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-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）

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-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

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