Docs2KG 是怎么来的？

它到底好在哪？

和别的类似工具比，它适合谁、不适合谁？

🤔 Docs2KG 是怎么

来的？

企业里 80% 的数据是非结构化文档，但这些文档散落在各处，格式各异，传统方法难以整合。

• 多模态数据提取：文本、表格、图片、图形，要从各种格式里都抽得出来。
• 多模型统一集成：不同模态要用不同的模型处理，怎么把它们塞进一个统一框架？
• 语义表示与溯源：不仅要理解内容，还要保留“这句话来自哪份文档、哪个段落”，否则无法追溯，也无法减少 LLM 的“幻觉”。

• 输入：各种文档（邮件、网页、PDF、Excel 等）。
• 输出：一张统一的知识图谱，既保留结构，又保留语义，还能追溯到原文。
• 特点：自动化、可扩展、支持人机交互，并且开源可用。

✨ Docs2KG 到底好在哪？

1. 全：支持多种文档类型

• 电子邮件(.eml)
• 网页(HTML)
• PDF(包括扫描件)
• Excel表格

2. 通：双路径数据处理

• Markdown Converter 路径：对于 HTML、结构化较好的 PDF/Excel，先转成 Markdown/JSON，再用 XPath 等方式提取文本、表格、图片，同时保留文档树结构。
• Image Converter 路径：对于扫描件、复杂排版的 PDF，先用深度学习模型做文档布局分析，识别出文本块、表格、图片及其位置，再分别提取内容。

3. 准：多模态统一知识图谱

• 模态内关系：比如标题和段落的“父子”关系，句子之间的“同时发生”、“支持”等语义关系。
• 跨模态关系：比如“这句话解释了这张图”、“这个表格补充了那段文字”等。

4. 开：开源且可扩展

🆚 和其他类似工具比，它适合谁？

🚀 最后，给想动手的你一点建议

1. 先跑通 Demo：去 Docs2KG 的官网或 GitHub，按照文档跑通一个简单的例子，比如处理一份 PDF 和一份 Excel，看看生成的知识图谱是什么样的。
2. 再集成到现有系统：如果你有 RAG 系统，可以尝试用 Docs2KG 替换掉原来的文档解析和索引模块，看看效果有没有提升。
3. 最后深入源码：当你熟悉了基本流程，再去看它的源码，理解双路径处理、多模态知识图谱构建等核心概念，相信你会对“文档智能”有更深的理解。

开源地址

关注公众号 回复 20260205 获得

猜您喜欢：