在构建RAG管道或搜索功能时，从docx、pdf等文件中提取文本总是一道绕不开的槛。现有方案要么依赖JVM（Apache Tika），要么需要Python环境及模型下载（unstructured、Docling），要么得上传云端（LlamaParse）。DeepDoc提供另一种选择：一个静态Rust二进制，无JVM、无Python、无模型下载、不连网，单文件即可运行。
> DeepDoc将每种格式解析为统一的文档模型（标题、段落、列表、表格、元数据、页码），再序列化为Markdown或JSON。v0.1支持13种原生数字格式：docx、pptx、xlsx、odt、ods、odp、epub、html、rtf、csv、md、txt及纯文本PDF。递归处理文件夹，输出保持目录结构。
>
> 对于RAG场景，DeepDoc按块边界切分，同时保留标题层级路径和字节范围作为元数据，确保检索时上下文不丢失。非OCR工具，扫描PDF会被检测并报错退出（返回码4），避免污染索引。也可作为Rust库使用，直接嵌入服务。
>
> 示例：deepdoc report.docx直接输出带表格的Markdown；deepdoc ./docs --recursive -o out/批量处理并镜像目录。
DeepDoc是本地优先、轻依赖的工具链（DeepLab系列）之一，开源（MIT / Apache 2.0），v0.1已发布。
GitHub
#开发者 #工具 #DeepDoc #Rust #RAG #文档解析 #离线 #开源
@DevToolboxHub