kordoc解析選項(xiàng)詳解OCR·頁(yè)數(shù)·純文本·HTML表格17個(gè)參數(shù)逐個(gè)拆解【免費(fèi)下載鏈接】kordoc?? ??????? — HWP·HWPX·PDF·Office ??? Markdown??. ?? ?? ???? ????? ?? CLI·MCP ?? | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff項(xiàng)目地址: https://gitcode.com/gh_mirrors/ko/kordockordoc是一款把 HWP、HWPX、PDF、DOCX 等韓國(guó)辦公文檔一鍵轉(zhuǎn)成 Markdown 的開(kāi)源轉(zhuǎn)換工具而它 CLI 里藏著的 17 個(gè)解析選項(xiàng)才是真正決定轉(zhuǎn)換質(zhì)量的關(guān)鍵。本文帶你逐個(gè)拆解--ocr、--pages、--plain、--html-tables等參數(shù)的作用、默認(rèn)值和適用場(chǎng)景幫你快速寫(xiě)出最合適的 kordoc 解析命令。先搞清楚選項(xiàng)都在哪里定義所有解析選項(xiàng)集中定義在 src/cli.ts 中官方完整的 CLI 參考見(jiàn) docs/usage.md。安裝后無(wú)需配置直接npx kordoc 文件.hwpx即可開(kāi)始。選項(xiàng)可以分成 4 大類(lèi)分類(lèi)參數(shù)解決什么問(wèn)題 內(nèi)容范圍--pages、--password只轉(zhuǎn)哪幾頁(yè) / 打開(kāi)加密文檔 識(shí)別增強(qiáng)--ocr、--ocr-force、--formula-ocr掃描件、無(wú)文字層 PDF?? 結(jié)構(gòu)裁剪--plain、--no-images、--no-tables、--no-header-footer只留干凈正文 表格控制--html-tables、--keep-layout-tables、--keep-empty-cols等保住復(fù)雜表格結(jié)構(gòu)一、內(nèi)容范圍類(lèi)頁(yè)數(shù)與密碼1??--pages只轉(zhuǎn)換指定頁(yè)npx kordoc ???.pdf --pages 1-3支持1-3、1,3,5-7等多種寫(xiě)法見(jiàn) src/cli.ts。PDF 和帶排版緩存的 HWP 文件按真實(shí)物理頁(yè)截取沒(méi)有緩存的 HWPX 按章節(jié)近似定位。做 RAG 切片或只處理合同某幾頁(yè)時(shí)非常實(shí)用。2??--password打開(kāi)加密文檔npx kordoc ????.hwpx --password 密碼 -o ??.md僅支持 HWPX / HWP3 / HWP5 的打開(kāi)密碼韓方 DRM 加密不在范圍內(nèi)。解析選項(xiàng)如何傳遞到解析器可以看 src/cli/convert.ts。二、識(shí)別增強(qiáng)類(lèi)OCR 三件套 ?掃描件轉(zhuǎn) Markdown 的救命參數(shù)按強(qiáng)度遞增排列3??--ocr按需 OCRnpx kordoc ???.pdf --ocr只對(duì)掃出來(lái)的、沒(méi)有文字層的頁(yè)啟用內(nèi)置 PP-OCRv5 韓語(yǔ)模型約 18MB首次自動(dòng)下載。這是處理掃描公文、掃描報(bào)表的最快方式。4??--ocr-force強(qiáng)制全頁(yè) OCR即使 PDF 有文字層也全部重新識(shí)別——適合OCR 質(zhì)量爛過(guò)原文字層的老掃描儀文檔。代價(jià)是速度明顯變慢按需使用。5??--formula-ocr數(shù)式 OCRnpx kordoc ??.pdf --formula-ocr用 MFDMFR ONNX 模型約 155MB把數(shù)學(xué)公式識(shí)別成$…$/$$…$$。處理學(xué)術(shù)論文、試題集時(shí)的必備選項(xiàng)。 小貼士完全無(wú)文字層的 PDF 直接轉(zhuǎn)會(huì)得到IMAGE_BASED_PDF錯(cuò)誤碼此時(shí)加上--ocr即可錯(cuò)誤碼對(duì)照表見(jiàn) docs/usage.md。三、結(jié)構(gòu)裁剪類(lèi)讓輸出更干凈 6??--plain純文本 Markdownnpx kordoc ???.hwpx --plain -o ??.md去掉圖片占位符、鏈接 URL、加粗/下劃線(xiàn)等裝飾只保留標(biāo)題、列表和表格結(jié)構(gòu)。做索引、喂 RAG 向量庫(kù)時(shí)最干凈——這也是官方文檔推薦的色?·RAG ?選項(xiàng)見(jiàn) docs/usage.md。7??--no-images只留文字不提取、不輸出圖片字節(jié)跳過(guò) PDF 的 PNG 編碼速度更快。適合純文本歸檔。8??--no-tables關(guān)閉 PDF 表格檢測(cè)雙欄試卷這類(lèi)文檔邊框線(xiàn)會(huì)被誤判成表格導(dǎo)致閱讀順序錯(cuò)亂#64加上它就能按自然閱讀順序輸出純文本。9??--no-header-footer保留頁(yè)眉頁(yè)腳kordoc 默認(rèn)3頁(yè)以上會(huì)自動(dòng)剔除重復(fù)的 PDF 頁(yè)眉頁(yè)腳。如果頁(yè)眉里有日期、文件編號(hào)這類(lèi)有信息量的內(nèi)容用這個(gè)參數(shù)關(guān)掉清理。--keep-empty-paragraphs保留空段落默認(rèn)會(huì)刪掉空段落。HWPX 里空行格式需要原文段落數(shù)輸出行數(shù)時(shí)開(kāi)啟。1??1??--keep-empty-cols保留表格右側(cè)空列空白申請(qǐng)單末尾的填寫(xiě)欄空列默認(rèn)會(huì)被裁掉表單類(lèi)文檔建議開(kāi)啟#47。1??2??--include-field-placeholders保留未填寫(xiě)的填寫(xiě)提示空白模板里ここに氏名を記入這類(lèi)只在編輯時(shí)可見(jiàn)的填寫(xiě)提示默認(rèn)不輸出開(kāi)啟后表單用途說(shuō)明得以保留。四、表格控制類(lèi)復(fù)雜表格不崩 kordoc 的一大強(qiáng)項(xiàng)是 HWPX 公文表格 100% 結(jié)構(gòu)還原而下面幾個(gè)參數(shù)決定了表格保不保得住1??3??--html-tables全部表格轉(zhuǎn) HTMLnpx kordoc ???.hwpx --html-tables -o ??.md所有表格包括 Markdown 管道表格統(tǒng)一輸出為 HTML 表格每個(gè)標(biāo)簽單獨(dú)一行縮進(jìn)。下游解析器對(duì)嵌套復(fù)雜表格兼容性更好時(shí)用。1??4??--keep-layout-tables保留無(wú)邊界框架表格默認(rèn)按視覺(jué)所見(jiàn)輸出——無(wú)可見(jiàn)邊框的框架表格會(huì)被拆成純文字段落。要拿到原始表格結(jié)構(gòu)尤其配合patch回寫(xiě)編輯時(shí)必須加它npx kordoc ??.hwpx --keep-layout-tables -o ??.md1??5??--script-tags/--no-script-tags上下標(biāo)開(kāi)關(guān)控制是否用sup/sub標(biāo)記上下標(biāo)。HWPX·HWP·DOCX 默認(rèn)開(kāi)啟PDF 默認(rèn)關(guān)閉——處理論文、公式 PDF 時(shí)建議顯式開(kāi)啟避免 10? m2 被展平成 104 m2。1??6??--dedupe-headers去重重復(fù)頁(yè)頭HWP5 文檔里每頁(yè)重復(fù)出現(xiàn)的跑頁(yè)頭會(huì)累加開(kāi)啟后去重。注意它可能誤刪附件重新編號(hào)默認(rèn)關(guān)閉。1??7??--inline-images/--image-refs圖片兩種走法--inline-images僅 HWP5圖片轉(zhuǎn) base64 data URI 直接嵌進(jìn) Markdown單文件即走--image-refs配合--format json幾百?gòu)垐D的文檔避免 base64 撐爆內(nèi)存只留images/文檔名/文件路徑引用#65。配套基礎(chǔ)參數(shù)速查 ?除 17 個(gè)解析選項(xiàng)外還有 4 個(gè)基礎(chǔ)輸出控制參數(shù)同樣高頻參數(shù)說(shuō)明-o, --output單文件輸出路徑-d, --out-dir批量輸出目錄--jobs文件級(jí)并行進(jìn)程數(shù)如--jobs 4--silent隱藏進(jìn)度提示方便腳本管道三組實(shí)戰(zhàn)命令模板# 場(chǎng)景1掃描件公文 → 干凈純文本 npx kordoc ????.pdf --ocr --plain --no-images -o ??.md # 場(chǎng)景2HWPX 申請(qǐng)單 → 保留全部結(jié)構(gòu)供 patch 回寫(xiě) npx kordoc ???.hwpx --keep-layout-tables --keep-empty-cols \ --include-field-placeholders -o ??.md # 場(chǎng)景3批量 PDF 并行 RAG 切塊 npx kordoc *.pdf --jobs 4 -d ./??/ --format chunks總結(jié)一張表記住 17 個(gè)參數(shù)參數(shù)一句話(huà)記憶--pages只轉(zhuǎn)指定頁(yè)--password開(kāi)加密文件--ocr掃出來(lái)的頁(yè)才 OCR最常用--ocr-force全部頁(yè)強(qiáng)制重識(shí)別--formula-ocr公式變$LaTeX$--plain只要純文字--no-images不要圖片字節(jié)--no-tablesPDF 關(guān)表格檢測(cè)--no-header-footer保留頁(yè)眉頁(yè)腳--keep-empty-paragraphs保留空段落--keep-empty-cols保留表格空列--include-field-placeholders保留表單填寫(xiě)提示--html-tables表格全變 HTML--keep-layout-tables無(wú)框表格保結(jié)構(gòu)--script-tags上下標(biāo)sup開(kāi)關(guān)--dedupe-headers去重頁(yè)頭--inline-images/--image-refs圖片內(nèi)嵌 or 只留路徑掌握這 17 個(gè)參數(shù)基本能覆蓋 90% 的文檔解析場(chǎng)景。更多參數(shù)細(xì)節(jié)、API 用法和錯(cuò)誤碼對(duì)照請(qǐng)查閱官方文檔 docs/usage.md 與 README.md。【免費(fèi)下載鏈接】kordoc?? ??????? — HWP·HWPX·PDF·Office ??? Markdown??. ?? ?? ???? ????? ?? CLI·MCP ?? | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff項(xiàng)目地址: https://gitcode.com/gh_mirrors/ko/kordoc創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考