最近在做知识库，遇到了很多文档解析的难题。个人一直坚信知识问答就像大厨做菜，如果备菜环节出问题，后面铁定是没法吃。
为此，仔细研究了最近RAG排名比较靠前的ragflow和Qanything，希望能借鉴一些成熟的方法。
相较于Qanything，ragflow在文档解析方面更胜一筹，其对照式的扫描文档解析堪称一绝，但是实际干活的时候，就会发现现实非常骨感：
一是文档片段之间的排列算法很low，经常出现衔接问题；
二是页数过多时，会出现内容严重混乱的情况。
幸好，我发现了一个利器——doc2x。
Doc2X（Doc to X）是武汉智识无垠科技有限公司于今年4月份推出的一款超强悍的（受限&暂时）免费文档识别工具，它能够将PDF或图片中的文字、公式等内容准确识别并转换为Word（带公式）、LaTeX、Markdown（MD）等多种可编辑文档格式。这一功能极大地提高了文档处理的效率，使得用户能够更加方便地编辑、修改和重用文档内容。
Doc2X的官方上可以看到，公司每天为普通用户提供免费的500页文档转换和200页翻译服务，这对于需要频繁处理文档的用户来说无疑是一个超级巨大的福音。用户只需注册并登录Doc2X的官方网站（https://doc2x.noedgeai.com/login?invite_code=DEB096），即可享受这一便捷服务。
Doc2X支持将PDF或图片中的内容转换为多种可编辑的文档格式，目前主要包括Word、LaTeX、Markdown等。这些格式各有特点，适用于不同的场景和需求。
Doc2X在文档解析方面表现出色，能够准确识别并提取PDF（包括扫描版PDF）或图片中的文字、公式、表格、图片、图表等内容，其识别模型涵盖了实际文档中的各种特殊情况，识别成功率特别高，大篇幅矩阵、二分栏、横版的表格等特殊排版都不在话下，这些功能在处理包含复杂排版和公式的文档时尤为重要，能够大大提高用户的工作效率。
除了强大的文档解析和转换功能外，Doc2X还支持多语言翻译功能。基于glm4和deepseek技术，Doc2X能够为用户提供准确的翻译服务，并提供“原文”、“译文”、“中英对照”三种格式的导出，这使得用户能够更加方便地处理跨语言文档。
为了更好地验证Doc2X的强大功能，我使用了焊接大部头《焊接手册》以及AWS的《Welding Handbook》进行了实际测试。以下是测试过程中的一些感受和发现。
Doc2X的官方网站界面简洁明了，用户可以轻松找到所需的功能和选项。注册和登录过程也非常简单快捷，只需几步即可完成。
在实际测试中，我们将大部头进行拆分，每份大概200页左右，包含文字、公式、表格和图片，将PDF文档上传至Doc2X后，后台即进入解析状态，官方宣传的是在后台清闲+带宽给力的情况下，可以在13s内给出结果。我个人的实际体验是网速对获得结果的总时长影响比较大，普通手机热点情况下，大概需要1~2min。如果选择Word作为输出格式。不到一分钟的时间，我们就可以获得转换后的Word文档。打开文档后，我们发现原有的排版和格式都得到了很好的保留，文字、公式和表格的识别率也非常高。
我们还测试了Doc2X的多语言翻译功能。将一段英文文档上传至Doc2X，并选择中文作为翻译目标语言。很快，我们就收到了翻译后的中文文档。通过对比原文和译文，我们发现Doc2X的翻译质量非常高，能够准确传达原文的意思。
官方针对常见的文档进行多方面对比，相关结果可以看这个DOC2X竞品分析报告https://noedgeai.feishu.cn/wiki/K1NGwjuuqiI9nukgapEcUAALnLh，里面详细列举了doc2x是怎么完爆同类产品的，需要注意的是mathpix是他们全球范围内的主要竞争对手，虽然它已经很强了，在全球范围内应用颇广，但是在doc2x面前，还是只能称作弟弟。
事先声明，仅仅是个人猜测，关于doc2x技术原理的介绍，在网上没有搜到，试用交流群里也有人问，但是工作人员三缄其口，不予作答。
以下是我的猜测，大概率是错的：
（1）开发了专门的内容识别模型，这个和ragflow应该是一个套路，甚至有可能也是基于YOLO来训练的，能够精准识别各种文档里的文本、图片、图片标题、表格、表格标题、公式、以及各种干扰分块。值得注意的是，他们的训练材料里肯定包含了很多横版的表格，同时整个识别训练的材料数量应该非常庞大。
（2）开发了专门的公式识别用的OCR模型，能够把公式里每个字符按照相对位置，完整地“扣”出来。同理，应该也存在一个矩阵OCR模型，相关训练数据量应该也很大。
（3）开发了专用的表格识别处理模型，具体的就不晓得了。
（4）开发内容分块的组织算法，从两栏pdf的出色处理结果来看，块与块之间的衔接大概率是用非常出色的逻辑判断来进行处理的，当然，也不排除使用了文本配对检测、或者直接模型识别处理等技术。
（5）识别的内容与markdown的表达形式进行深度绑定。
Doc2X的强大功能和高效性能使得它在多个领域都有广泛的应用场景：
对于学者和研究人员来说，Doc2X能够帮助他们快速将PDF格式的学术论文转换为Word、LaTeX或Markdown格式，便于编辑和引用。特别是在处理包含复杂数学公式和图表的研究论文时，Doc2X的公式识别和表格转换功能尤为出色，能够大大提升研究工作的效率。
在教育领域，教师们经常需要准备教学材料，包括教材、课件和试卷等。这些材料往往以PDF或图片形式存在，但在编辑和修改时却非常不便。Doc2X能够将这些材料转换为可编辑的Word文档，让教师们能够轻松地进行修改和补充，提高教学准备工作的效率。同时，学生们也可以使用Doc2X将课堂笔记或扫描的教材转换为电子文档，便于复习和整理。
在商务办公环境中，文档处理是不可或缺的一部分。无论是合同、报告还是会议纪要，都需要进行频繁的编辑和修改。Doc2X能够将PDF或图片格式的商务文档转换为Word文档，使得编辑和修改变得更加容易。此外，Doc2X还支持多语言翻译功能，能够帮助跨国企业处理多语言文档，促进国际交流与合作。
对于自助出版者和博客作者来说，文档转换和编辑是日常工作的重要部分。他们经常需要将PDF格式的书籍章节或文章转换为Markdown格式，以便在博客或网站上发布。Doc2X提供了这一便捷的转换功能，使得自助出版者和博客作者能够更加专注于内容的创作和发布。
在数据分析领域，经常需要处理包含大量数据和图表的报告。这些报告往往以PDF或图片形式存在，但在进一步分析和修改时却非常不便。Doc2X的表格识别功能能够将PDF或图片中的表格内容转换为可编辑的Excel或Word表格，使得数据分析师能够更加方便地进行数据分析和报告制作。
多样化的输出格式：支持Word、LaTeX、Markdown等多种可编辑文档格式，满足不同场景下的需求。
强大的解析能力：能够准确识别并提取PDF或图片中的文字、公式、表格等内容，保持原有的排版和格式。
高效的处理速度：转换速度快，能够迅速完成大量文档的转换工作。
多语言翻译功能：基于先进的翻译技术，提供准确的多语言翻译服务。
免费使用：每天提供500页的免费转换额度，对于一般用户来说足够使用。
转换精度仍有上升空间：尽管Doc2X在文档解析和转换方面表现出色，但在处理一些复杂排版或特殊格式的文档时，还是会出现一些问题，不过从与公司的技术人员沟通来看，他们一直以欢迎的姿态来接受反馈的问题，并表示后面会持续优化。
依赖网络连接，并且不支持本地部署：作为一款在线工具，Doc2X需要非常稳定的网络连接才能正常使用。在网络不稳定或无法连接的情况下，用户会无法正常使用该工具。另外，有人也提出寻求本地部署的解决方法，但是被官方明确告知不提供本地部署。
免费额度限制：虽然每天提供500页的免费转换额度，但对于一些需要大量转换工作的用户来说可能不够用，虽然目前已传出按页收费的消息，但是具体的收费标准目前还没有公布。
Doc2X作为一款强大的文档解析与转换工具，以其多样化的输出格式、强大的解析能力和高效的处理速度赢得了广大用户的青睐。它不仅能够提高文档处理的效率，还能够满足不同场景下的需求。随着数字化时代的到来，文档处理的需求将越来越多样化和复杂化，Doc2X有望在未来继续优化和升级其功能，为用户提供更加便捷和高效的文档处理体验。
同时，也期待Doc2X能够考虑引入更多的人工智能元素，如智能排版、自动摘要、知识问答等功能，进一步提升用户的使用体验。
粤ICP备14082021号
免费POC，
零成本试错
