DocJev开源PDF分类拆分教程，本地LiteParse零成本OCR实战指南
内容提要
Jerry Liu 开源 DocJev，将 PDF 分类与拆分分为两步：先用本地 LiteParse 免费 OCR 提取文字，再由 TypeSafe Jev 引擎按 YAML 规则决策。15 页公文包 138 毫秒完成分类，比 GPT-5.6 Luna 快约 6 倍且成本更低。40 份公文分类全部正确，8 个公文包拆分正确 7 个。支持导出独立 PDF，需 Python 3.11 及 API 密钥。
延伸解读
本地OCR与云端OCR的取舍
DocJev默认使用本地LiteParse，无需API密钥且不上传数据，适合对隐私和成本敏感的场景。但若PDF是模糊扫描件或复杂表格，LiteParse可能出错，此时可切换至LlamaParse云端OCR，代价是上传原始字节并支付费用。文章基准测试中所有文档均用LiteParse，分类全对，说明OCR精度并非主要瓶颈，决策引擎的规则理解才是关键。
YAML规则驱动的优势与局限
DocJev用YAML文件定义分类和拆分规则，避免硬编码，修改规则无需改代码。例如通过自然语言描述类别和拆分指令，Jev引擎即可执行。但规则依赖引擎的理解能力，在8个公文包拆分中，Jev因将美联储声明的实施附件误判为独立文档而错1个，而GPT-5.6 Luna全对。这表明规则驱动虽灵活，但复杂边界判断仍可能出错。
速度与准确率的权衡
基准测试显示，Jev 1.13.0分类中位延迟138.6毫秒，比GPT-5.6 Luna的794.3毫秒快5.73倍；拆分延迟209.6毫秒，比Luna的1352.3毫秒快6.45倍。但Jev拆分准确率7/8，Luna为8/8。若业务对拆分边界要求极高，可能需牺牲速度选择Luna；若追求效率和成本，Jev是更优选择。
成本对比的缓存陷阱
文章指出，Jev决策总成本0.011663美元，Luna为0.046894美元，看似Luna贵四倍。但Luna的重复输入命中了提供商缓存，实际推理成本仅0.002109美元，反比Jev的0.005351美元低。缓存未命中时Luna成本则高四倍。这种波动使成本对比不可靠，实际生产账单取决于缓存命中率，需谨慎评估。
Q&A
DocJev 是什么？它主要解决什么问题？
DocJev 是 Jerry Liu 开源的一个 PDF 文档分类和拆分工具。它把任务拆成两步：先用本地 LiteParse 免费 OCR 提取文字，再用 TypeSafe Jev 引擎按 YAML 规则决策，实现快速、低成本的 PDF 分类与拆分。
DocJev 的本地 OCR 方案 LiteParse 有什么优缺点？
LiteParse 是纯本地运行的 Python 解析器，免费、无需联网和 API 密钥，数据不上传。但面对模糊扫描件、歪斜传真件或复杂表格时，提取文字可能错漏，此时可切换到付费的 LlamaParse 云端 OCR。
DocJev 如何通过 YAML 文件定义分类和拆分规则？
在 YAML 文件中为每个类别写 id 和自然语言描述，Jev 引擎据此判断页面类别；拆分规则写在 splitting_instructions 字段，用自然语言描述文档边界判断逻辑，例如“不同发票编号代表不同文档”。
DocJev 与 GPT-5.6 Luna 在速度和成本上对比如何？
在 40 份分类任务中，Jev 中位决策延迟 138.6 毫秒，Luna 为 794.3 毫秒，Jev 快约 5.73 倍；拆分任务中 Jev 209.6 毫秒，Luna 1352.3 毫秒，快约 6.45 倍。成本上，Jev 总花费 0.011663 美元，Luna 为 0.046894 美元，但 Luna 命中缓存时推理成本可能更低。
DocJev 的拆分准确率如何？有什么已知错误？
在 8 个公文包拆分任务中，Jev 正确拆分 7 个，错误 1 个：在一份美联储声明中多切了一刀，把实施附件当成独立文档。GPT-5.6 Luna 在同样任务上全部正确。
如何安装和快速开始使用 DocJev？
需要 Python 3.11+ 和 TypeSafe API 密钥（设为环境变量 TYPESAFE_API_KEY）。安装命令：git clone 仓库、cd docjev、uv sync。然后运行 uv run docjev doctor --smoke 做冒烟测试。还可安装演示依赖启动本地可视化界面。
