智能文档提取，一键结构化

Nanonets 出品的文档提取 API，支持 PDF/图片 OCR 转 Markdown、JSON 或 CSV，带置信度评分，适合发票、收据自动化处理。

基本信息

• 技能名称?Nanonets OCR
• 中文名称?智能文档提取，一键结构化
• 作者?shhdwi
• 分类?专业技能
• 版本?1.0.2
• 标签?ocr, document-processing, api, pdf, invoice-extraction, data-extraction, nanonets, structured-data, markdown, json, csv

使用方法

使用说明
核心用法
DocStrange 是 Nanonets 提供的文档提取 API，专注于将 PDF 和图片转换为结构化数据。支持三种输出格式：Markdown（保留文档结构）、JSON（字段级提取）和 CSV（表格数据）。API 采用 REST 设计，提供同步（≤5页）和异步（大文档）两种调用模式。
主要功能：
OCR 文字识别 ：处理扫描件、图片中的文字
智能字段提取 ：通过字段列表或 JSON Schema 精确提取发票号、金额、日期等
表格识别 ：将表格转换为 CSV 或结构化 JSON
置信度评分 ：每个字段 0-100 分，便于人工复核低置信度结果
布局分析 ：可选返回边界框坐标，支持版面还原
调用示例：
curl -X POST "https://extraction-api.nanonets.com/api/v1/extract/sync" \
-H "Authorization: Bearer $DOCSTRANGE_API_KEY" \
-F "file=@invoice.pdf" \
-F "output_format=json" \
-F 'json_options=["invoice_number", "total_amount"]' 显著优点

1. 多格式输出灵活 ：同一接口支持 Markdown、JSON、CSV，适配不同下游场景
2. Schema 驱动提取 ：支持 JSON Schema 约束，确保返回数据类型严格可控
3. 置信度透明化 ：每个字段独立评分，便于构建自动化+人工复核的混合工作流
4. 异步处理大文档 ：>5页文档自动切换异步模式，避免超时
5. 自定义指令 ：可通过 prompt 引导提取重点，如"仅关注财务数据"
   潜在局限
   外部服务依赖 ：文档需上传至 Nanonets 服务器处理，存在数据出境风险
   无本地部署选项 ：无法在内网或离线环境使用
   格式支持边界 ：明确不支持视频/音频转录，非文档类图片效果未保证
   同步限制 ：5页以上强制异步，实时性场景需设计轮询逻辑
   成本不透明 ：文档未提及定价模式，实际使用需关注用量计费
   适合人群
   财务/会计团队 ：批量处理发票、收据、银行对账单
   法务合规 ：合同关键条款提取与归档
   数据录入外包替代 ：替代人工表单录入，降低运营成本
   开发者构建 RPA ：需要结构化文档数据的自动化流程
   常规风险
   | 风险类型 | 说明 | 缓解建议 | |---------|------|---------| | 数据隐私 | 敏感文档上传至第三方服务器 | 正式使用前审查隐私政策；避免上传 SSN、医疗记录等高敏感数据；先用非敏感样本测试 | | API 密钥泄露 | 密钥硬编码或误提交至仓库 | 强制使用环境变量；配置文件设 600 权限；定期轮换密钥（90天周期） | | 服务可用性 | 依赖 Nanonets 基础设施 | 设计降级方案；监控 API 状态；关键流程保留人工兜底 | | 提取准确性 | 低置信度字段可能错误 | 设置阈值（如 | 合规风险 | 跨境数据传输、行业合规要求 | 确认服务商 SOC2/ISO 认证；评估 GDPR/等保合规性 | > 建议首次使用前： 完整阅读 https://docstrange.nanonets.com/docs 中的隐私政策与数据留存条款，确认数据删除机制符合贵司安全要求。