RAGFlow 系列教程 第七课：DeepDoc -- 文档解析引擎架构
系列: RAGFlow v0.25.0 源码深度解析
作者: 耿雨飞
前置知识: 已完成第六课"API 模块逐一拆解"的学习
导读
在前六课中，我们从项目全景到 API 层完成了 RAGFlow 的"外围"解读。从本课开始，我们正式进入 RAGFlow 的核心竞争力所在——深度文档理解引擎 DeepDoc。
RAGFlow 与其他 RAG 框架最本质的区别在于：它不是简单地"提取文字"，而是通过布局识别、OCR、表格结构识别等视觉 AI 模型，真正"理解"文档的物理结构和语义层次。一个 PDF 文件可能包含双栏文本、嵌入的表格、页眉页脚、图片标注——DeepDoc 能够识别出这些元素的类型和空间关系，从而生成高质量的结构化输出，为后续的 Chunking 和检索提供坚实基础。
整个deepdoc/模块包含15 个解析器文件（合计约 6258 行）和9 个视觉模型文件（合计约 3745 行），总计超过10000 行代码。本课将从目录结构出发，逐层拆解 DeepDoc 的架构设计、多解析器策略和核心解析流程。
学习目标
- 理解"深度文档理解"与传统文本提取的本质区别
- 掌握 DeepDoc 的两大子模块（
parser/和visio