Serveur MCP Docpick
✓ VérifiéExtrait des données JSON structurées à partir de documents en utilisant des moteurs OCR locaux et des LLM avec des schémas Pydantic personnalisables.
Aussi connu sous QuartzUnit/docpick
- Étoiles
- 1
- Outils
- —
- Téléchargements, 30 jours
- 2 671
- Dernière version
- 0.1.2
- Dernier commit
- 15 avr. 2026
- Licence
- Apache-2.0
Qu'est-ce que Docpick MCP ?
Docpick est un serveur MCP. Extrait des données JSON structurées à partir de documents en utilisant des moteurs OCR locaux et des LLM avec des schémas Pydantic personnalisables.
Résumé généré à partir du README du projet
À propos du MCP server Docpick
Docpick permet aux développeurs qui construisent des pipelines de données privés de convertir des documents physiques en données JSON structurées localement. Il fonctionne comme un système d'extraction piloté par schéma qui combine des moteurs OCR locaux tels que PaddleOCR, EasyOCR ou GOT-OCR2.0 avec des points de terminaison LLM locaux comme Ollama ou vLLM. Cette configuration garantit que les informations sensibles provenant de factures, de reçus ou de relevés bancaires ne quittent jamais votre machine, car l'ensemble du processus s'exécute sur votre propre CPU ou GPU.
Les utilisateurs peuvent choisir parmi huit schémas intégrés pour les documents courants ou définir des modèles Pydantic personnalisés pour imposer des structures de données spécifiques. Le système inclut des outils de validation intégrés, tels que la vérification de clé de contrôle pour les IBAN ou les numéros d'entreprise coréens, ainsi que des règles de cohérence entre les champs pour garantir la justesse mathématique. Qu'il s'agisse de traiter un seul fichier via l'API Python ou d'exécuter des tâches par lots sur des répertoires entiers avec des workers en parallèle, le pipeline gère le repli OCR et les tentatives de LLM pour maintenir une grande précision d'extraction.
Ce que vous pouvez faire avec
- 1Extraction de données de facturationConvertissez des factures commerciales en JSON structuré tout en vérifiant les identifiants fiscaux et les sommes des lignes d'articles.
- 2Validation de documents d'identitéExtrayez les informations de passeport et vérifiez-les par rapport aux normes ICAO 9303 et aux zones MRZ.
- 3Automatisation du traitement de documents par lotsExécutez des tâches d'extraction en parallèle sur un dossier rempli de documents en utilisant un schéma spécifique.
- 4Garantie de cohérence entre documentsVérifiez que les données restent cohérentes entre une facture, un connaissement et une liste de colisage.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Comment installer Docpick MCP
Formats vérifiés le 10 nov. 2026Ajouter à CursorAjouter à GooseInstaller Docpick MCP dans Claude Code
$ claude mcp add docpick -- uvx docpickInstaller Docpick MCP dans Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Installer Docpick MCP dans VS Code
.vscode/mcp.json
{
"servers": {
"docpick": {
"type": "stdio",
"command": "uvx",
"args": [
"docpick"
]
}
}
}Installer Docpick MCP dans VS Code CLI
$ code --add-mcp '{"name":"docpick","type":"stdio","command":"uvx","args":["docpick"]}'Installer Docpick MCP dans Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Installer Docpick MCP dans Codex
$ codex mcp add docpick -- uvx docpickInstaller Docpick MCP dans Codex config.toml
~/.codex/config.toml
[mcp_servers.docpick] command = "uvx" args = ["docpick"]
Installer Docpick MCP dans Gemini CLI
$ gemini mcp add -s user docpick uvx -- docpickInstaller Docpick MCP dans Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Vérifications automatisées
Exécuté le 15 nov. 2026Rapport complet →A passé nos vérifications automatisées. Il ne s'agit pas d'un audit de sécurité : lisez le code et donnez au serveur l'accès le plus restreint dont il a besoin. Fonctionnement des vérifications
- Dépôt source lié et accessiblequartzunit/docpick is public and reachablegithub.com/quartzunit/docpick ↗Réussi
- Le nom du package correspond au dépôt sourcedocpick names quartzunit/docpick as sourcepypi.org/project/docpick/ ↗Réussi
- Provenance du build (attestation Sigstore)No build attestation published for this releaseNon vérifié
- Licence open source (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Réussi
- Commit ou version publiée au cours de l'année écouléeLast commit or release 2026-04-15github.com/quartzunit/docpick ↗Réussi
- OpenSSF ScorecardNon vérifié
- Nom du package non proche d'un package populaireNo popular package one edit away from docpickRéussi
- Aucun avis critique dans le package ou ses dépendances22 resolved dependencies checked; no critical advisoryosv.dev ↗Réussi
- Aucune instruction cachée destinée au modèle0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersRéussi
- Les outils destructifs sont étiquetésNon vérifié
- Le point de terminaison distant répond à la poignée de main MCPNon vérifié
README
Voir sur GitHubDocpick
Document in, Structured JSON out. Locally. With your schema.
docpick is a lightweight, schema-driven document extraction pipeline that combines local OCR engines with local LLMs to extract structured JSON from any document — invoices, receipts, bills of lading, tax forms, and more.
- Zero cloud dependency — runs entirely on your machine (CPU or GPU)
- Custom schemas — define your own Pydantic models or use 8 built-in document schemas
- Validation built-in — checkdigit verification, cross-field rules, cross-document consistency
- Apache 2.0 — no GPL/AGPL dependencies
Install
pip install docpick # core (LLM extraction only)
pip install docpick[paddle] # + PaddleOCR (recommended)
pip install docpick[easyocr] # + EasyOCR (Korean-optimized)
pip install docpick[got] # + GOT-OCR2.0 (GPU, vision-language)
pip install docpick[all] # all OCR backends
Requirements: Python 3.11+ / LLM endpoint (vLLM, Ollama, or OpenAI-compatible)
Quick Start
Python API
from docpick import DocpickPipeline
from docpick.schemas import InvoiceSchema
pipeline = DocpickPipeline()
result = pipeline.extract("invoice.pdf", schema=InvoiceSchema)
print(result.data) # Structured dict matching schema
print(result.validation) # Validation errors/warnings
print(result.confidence) # Per-field confidence scores
CLI
# Extract structured data
docpick extract invoice.pdf --schema invoice --output result.json
# OCR only (no LLM)
docpick ocr document.png --lang ko,en
# Validate extracted JSON
docpick validate result.json --schema invoice
# Batch process a directory
docpick batch ./documents/ --schema invoice --output ./results/ --concurrency 4
# List available schemas
docpick schemas list
# Show schema details
docpick schemas show invoice
Built-in Schemas
| Schema | Document Type | Key Validations |
|---|---|---|
invoice |
Commercial invoices | Line item sums, tax ID checkdigit, date order |
receipt |
Retail/restaurant receipts | Total = subtotal + tax + tip |
bill_of_lading |
Ocean/air B/L | Container weight sums, ISO 6346, HS code format |
purchase_order |
Purchase orders | PO total = line items, delivery date order |
kr_tax_invoice |
Korean e-tax invoice (세금계산서) | Business number checkdigit (x2), supply/tax/total sums |
bank_statement |
Bank statements | IBAN mod97, period date order |
id_document |
Passport/ID (ICAO 9303) | MRZ, ISO 3166 country codes, date ranges |
certificate_of_origin |
Certificate of Origin | ISO 3166 alpha-2 country codes |
Custom Schemas
Define your own schema with Pydantic:
from pydantic import BaseModel
from docpick import DocpickPipeline
from docpick.validation.rules import SumEqualsRule, RequiredFieldRule
class MyDocument(BaseModel):
"""Custom document schema."""
company_name: str | None = None
total_amount: float | None = None
tax_amount: float | None = None
net_amount: float | None = None
items: list[dict] | None = None
class ValidationRules:
rules = [
RequiredFieldRule("company_name"),
SumEqualsRule(["net_amount", "tax_amount"], "total_amount"),
]
pipeline = DocpickPipeline()
result = pipeline.extract("my_document.pdf", schema=MyDocument)
Or use a JSON Schema file:
docpick extract document.pdf --schema my_schema.json
Validation
Check Digit Algorithms
| Algorithm | Use Case |
|---|---|
kr_business_number |
Korean business registration number (10 digits) |
luhn |
Credit card numbers |
iso_6346 |
Shipping container numbers |
iban_mod97 |
International bank account numbers |
awb_mod7 |
Air waybill numbers |
mrz |
Machine Readable Zone (passport/ID) |
Cross-Field Rules
| Rule | Description |
|---|---|
SumEqualsRule |
Sum of fields equals target (with tolerance) |
DateBeforeRule |
Date A must precede Date B |
RequiredFieldRule |
Field must be non-null and non-empty |
FieldEqualsRule |
Two fields must be equal |
RangeRule |
Numeric field within min/max bounds |
RegexRule |
Field matches regex pattern |
Cross-Document Validation
Validate consistency across related documents (e.g., Invoice + B/L + Packing List):
from docpick.validation.cross_document import create_trade_document_validator
validator = create_trade_document_validator()
result = validator.validate({
"invoice": invoice_data,
"bl": bl_data,
"packing_list": packing_list_data,
"certificate": certificate_data,
})
print(result.is_valid)
OCR Engines
| Engine | Type | GPU | Languages | Best For |
|---|---|---|---|---|
| PaddleOCR | Traditional OCR | Optional | 111 | General documents (default) |
| EasyOCR | Traditional OCR | Optional | 80+ | Korean text |
| GOT-OCR2.0 | Vision-Language | Required | Multi | Complex layouts |
| VLM | Vision-Language | Required | Multi | Direct image → JSON |
2-Tier Auto Engine
The default auto engine uses confidence-based fallback:
- Tier 1 (CPU): PaddleOCR → EasyOCR
- Tier 2 (GPU): GOT-OCR2.0 → VLM
If Tier 1 average confidence falls below threshold (default 0.7), automatically escalates to Tier 2.
LLM Providers
| Provider | Endpoint | Default Model |
|---|---|---|
| vLLM | http://localhost:8000/v1 |
Qwen/Qwen3.5-32B-AWQ |
| Ollama | http://localhost:11434 |
qwen3.5:7b |
Configure via CLI or YAML:
docpick config set llm.provider ollama
docpick config set llm.base_url http://localhost:11434
docpick config set llm.model qwen3.5:7b
Error Handling
The pipeline is designed to be resilient:
- OCR failure → automatic fallback to next available engine
- LLM JSON parse failure → automatic retry with correction prompt (up to 1 retry)
- Partial results → returns whatever was extracted, with errors logged in
result.errors - Document load failure → returns empty result with error message
result = pipeline.extract("damaged.pdf", schema=InvoiceSchema)
if result.errors:
print("Pipeline warnings:", result.errors)
if result.data:
print("Partial extraction:", result.data)
Batch Processing
Process entire directories with parallel workers:
from docpick.batch import BatchProcessor
from docpick.schemas import InvoiceSchema
processor = BatchProcessor(concurrency=4)
result = processor.process_directory(
"./invoices/",
schema=InvoiceSchema,
recursive=True,
)
print(f"Processed {result.succeeded}/{result.total} files")
for path, extraction in result.results.items():
print(f"{path}: {extraction.data.get('total_amount')}")
Architecture
flowchart TD
A["📄 Document\n(PDF / Image)"] --> B["DocumentLoader\n(pypdfium2)"]
B --> C["Tier 1: OCR\n(PaddleOCR / EasyOCR)\nCPU"]
C --> D{"Confidence\n≥ threshold?"}
D -->|"yes"| F["LLM Extractor\n(vLLM / Ollama)\nSchema prompt"]
D -->|"no"| E["Tier 2: VLM\n(GOT / VLM)\nGPU"]
E --> F
F --> G["Pydantic Validation"]
G --> H["✅ ExtractionResult"]
License
Apache 2.0 — all dependencies are Apache 2.0 or MIT licensed.
Part of the QuartzUnit ecosystem — composable Python libraries for data collection, extraction, search, and AI agent safety.
Questions sur Docpick MCP
Comment ajouter Docpick MCP à Claude Code ?
Exécutez claude mcp add docpick -- uvx docpick dans votre terminal. Ajoutez --scope user pour le rendre disponible dans tous les projets.
Comment ajouter Docpick MCP à Cursor ?
Ouvrez ~/.cursor/mcp.json et ajoutez le serveur sous mcpServers, avec la configuration Cursor indiquée dans la section d'installation ci-dessus.
Docpick nécessite-t-il des services cloud ?
Non, il s'exécute entièrement sur votre machine sans aucune dépendance au cloud.
Puis-je utiliser mes propres structures de données pour l'extraction ?
Oui, vous pouvez définir vos propres schémas en utilisant des modèles Pydantic ou des fichiers JSON Schema.
Comment le système gère-t-il les résultats OCR à faible indice de confiance ?
Il utilise un moteur automatique à deux niveaux qui bascule automatiquement vers des modèles vision-langage plus avancés si la confiance descend en dessous d'un certain seuil.