文档解析器MCP
一种模型上下文协议（MCP）服务器，使用Docling工具包提供智能文档解析和转换功能。将任何文档（PDF、DOCX、图像、音频等）转换为干净的Markdown，用于AI处理和RAG管道。
特性
- 通用文档支持：PDF、Office文档（DOCX/XLSX/PPTX）、图像、HTML、Markdown、音频文件等
- 多条处理管道:
- 标准：通过先进的布局分析实现快速、高质量的转换 - VLM：用于复杂布局和手写内容的视觉语言模型 - ASR：用于音频转录的自动语音识别
- 智能自动检测：根据文件类型自动选择最佳管道
- 并发处理：内置作业队列，用于处理多个请求
- MCP集成：与Claude Desktop和其他MCP客户端无缝集成
- 清除Markdown输出：高质量的结构化文本，可供人工智能使用
安装
先决条件
- Python 3.9或更高版本
- 建议使用8GB+RAM
快速开始
- 克隆存储库：
git clone
cd document-parser-mcp- 创建虚拟环境：
python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate- 安装依赖项：
pip install -r requirements.txt- 安装带有可选功能的文档：
# Core Docling
pip install docling
# For Apple Silicon MLX acceleration
pip install docling[mlx]
# Optional OCR engines
pip install easyocr用法
运行服务器
启动MCP服务器：
python -m document_parser使用自定义配置：
python -m document_parser --config /path/to/config.yaml使用调试日志记录：
python -m document_parser --debug配置
服务器通过以下方式配置 config.yaml.按键设置：
server:
name: document-parser-mcp
max_concurrent_jobs: 3
job_timeout_seconds: 600
processing:
default_pipeline: standard
enable_pipeline_auto_detect: true
ocr:
engine: easyocr
languages: [eng]
pdf:
backend: dlparse_v4
table_accuracy_mode: accurate看 配置指南 查看详细选项。
MCP工具
服务器提供以下MCP工具：
parse_document
将任何文档解析为Markdown。
参数：
source（必填）：文档的文件路径或URLpipeline（可选）：处理管道-standard,vlm，或asroptions（可选）：其他处理选项
例子：
{
"name": "parse_document",
"arguments": {
"source": "https://arxiv.org/pdf/2408.09869",
"pipeline": "standard"
}
}parse_document_advanced
具有详细配置的高级解析。
参数：
source（必填）：文件路径或URLpipeline（可选）：处理管道ocr_enabled（可选）：启用/禁用OCRtable_accuracy_mode（可选）：fast或accuratepdf_backend（可选）：PDF处理后端enable_enrichments（可选）：启用代码/公式丰富
get_job_status
获取处理作业的状态。
参数：
job_id（必填）：作业标识符
list_supported_formats
列出所有支持的输入格式和管道。
get_queue_statistics
获取当前队列和处理统计信息。
与Claude Desktop集成
添加到您的Claude Desktop配置(~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上）：
{
"mcpServers": {
"document-parser": {
"command": "python",
"args": ["-m", "document_parser"],
"cwd": "/path/to/document-parser-mcp"
}
}
}重新启动Claude Desktop，文档解析器将作为工具可用。
管道选择指南
标准管道（默认）
- 最适合：天生的数字PDF、Office文档、简洁的布局
- 特性：高级布局分析、表格结构恢复、可选OCR
- 演出：快速、内存高效
VLM管道
- 最适合：复杂的布局、手写笔记、屏幕截图、扫描文档
- 特性：视觉语言模型处理，端到端页面理解
- 演出：较慢，MLX在Apple Silicon上加速
ASR管道
- 最适合：音频文件（会议、讲座、访谈）
- 特性：基于耳语的转录
- 演出：CPU/GPU密集型
发展
运行测试
# Install development dependencies
pip install -r requirements-dev.txt
# Run tests
pytest
# Run with coverage
pytest --cov=document_parser代码质量
# Format code
black document_parser tests
# Lint
ruff check document_parser tests
# Type checking
mypy document_parser项目结构
document-parser-mcp/
├── document_parser/ # Main package
│ ├── config/ # Configuration system
│ ├── core/ # Core exceptions and types
│ ├── engine/ # Document processing engine
│ ├── mcp/ # MCP server implementation
│ ├── processing/ # Job queue and tracking
│ └── utils/ # Utility functions
├── tests/ # Test suite
├── config.yaml # Default configuration
├── requirements.txt # Production dependencies
└── setup.py # Package configuration性能优化
内存管理
- 配置
max_memory_gb对于您的系统 - 集
max_concurrent_jobs基于可用资源 - 处理大文件时会自动清理
MLX加速（苹果硅）
- 安装时使用
pip install docling[mlx] - 在配置中启用：
enable_mlx_acceleration: true - 如果不可用，则自动回退到CPU
故障排除
常见问题
“ModuleNotFoundError:没有名为'docling'的模块”
pip install docling队列已满错误
- 等待当前作业完成
- 增加
max_concurrent_jobs在配置中
大文件内存错误
- 减少
max_memory_gb在配置中 - 使用
pipeline: standard而不是vlm
OCR不工作
pip install easyocr
# Or for tesseract
brew install tesseract # macOS贡献
- 分叉存储库
- 创建要素分支(
git checkout -b feature/amazing-feature) - 进行更改
- 添加新功能的测试
- 运行测试套件
- 提交您的更改(
git commit -m 'Add amazing feature') - 推到分支(
git push origin feature/amazing-feature) - 打开拉取请求
许可证
MIT许可证-请参阅 许可证 文件以获取详细信息。
致谢
支持
- 问题:
- 文档: 全部文件