Docpick MCPサーバー
✓ 検証済みローカルのOCRエンジンとLLMを使用し、カスタマイズ可能なPydanticスキーマを用いてドキュメントから構造化されたJSONを抽出します。
別名 QuartzUnit/docpick
- スター
- 1
- ツール
- —
- ダウンロード数(30日間)
- 2,671
- 最新バージョン
- 0.1.2
- 最終コミット
- 2026年4月15日
- ライセンス
- Apache-2.0
Docpick MCPとは
DocpickはMCPサーバーです。 ローカルのOCRエンジンとLLMを使用し、カスタマイズ可能なPydanticスキーマを用いてドキュメントから構造化されたJSONを抽出します。.
プロジェクトのREADMEから生成された概要
Docpick MCP server について
Docpickは、プライベートなデータパイプラインを構築する開発者向けに、物理的なドキュメントを構造化されたJSONデータへローカルで変換する機能を提供します。PaddleOCR、EasyOCR、GOT-OCR2.0などのローカルOCRエンジンと、OllamaやvLLMなどのローカルLLMエンドポイントを組み合わせた、スキーマ駆動型の抽出システムとして機能します。プロセス全体が自身のCPUまたはGPU上で実行されるため、請求書、領収書、銀行明細書などの機密情報がマシンから外部へ送信されることはありません。
ユーザーは、一般的なドキュメント用に用意された8つの組み込みスキーマを選択するか、特定のデータ構造を強制するためにカスタムPydanticモデルを定義できます。システムには、IBANや韓国の事業番号のチェックデジット検証、および数学的な整合性を確保するためのフィールド間ルールといった、組み込みのバリデーションツールが含まれています。Python APIを介した単一ファイルの処理から、並列ワーカーを使用したディレクトリ全体のバッチジョブまで、このパイプラインはOCRのフォールバックとLLMの再試行を管理し、高い抽出精度を維持します。
できること
- 1請求書データの抽出税務IDや明細項目の合計を検証しながら、商業請求書を構造化されたJSONに変換します。
- 2身分証明書の検証パスポート情報を抽出し、ICAO 9303規格およびMRZゾーンに照らして検証します。
- 3ドキュメントのバッチ処理の自動化特定のスキーマを使用して、ドキュメントが格納されたフォルダに対して並列抽出タスクを実行します。
- 4ドキュメント間の整合性確保請求書、船荷証券、パッキングリストの間でデータが一致していることを検証します。
プロジェクトの README から作成されています。すべてのユースケースは、その引用と照らし合わせて確認されています。
Docpick MCPのインストール方法
フォーマット検証日 2026年11月10日Cursor に追加Gooseに追加Claude CodeにDocpick MCPをインストール
$ claude mcp add docpick -- uvx docpickCursorにDocpick MCPをインストール
~/.cursor/mcp.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}VS CodeにDocpick MCPをインストール
.vscode/mcp.json
{
"servers": {
"docpick": {
"type": "stdio",
"command": "uvx",
"args": [
"docpick"
]
}
}
}VS Code CLIにDocpick MCPをインストール
$ code --add-mcp '{"name":"docpick","type":"stdio","command":"uvx","args":["docpick"]}'Claude DesktopにDocpick MCPをインストール
claude_desktop_config.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}CodexにDocpick MCPをインストール
$ codex mcp add docpick -- uvx docpickCodex config.tomlにDocpick MCPをインストール
~/.codex/config.toml
[mcp_servers.docpick] command = "uvx" args = ["docpick"]
Gemini CLIにDocpick MCPをインストール
$ gemini mcp add -s user docpick uvx -- docpickGemini settings.jsonにDocpick MCPをインストール
~/.gemini/settings.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}自動チェック
実行日 2026年11月15日完全なレポート →自動チェックに合格しました。これはセキュリティ監査ではありません。コードを読み、サーバーに必要最小限のアクセス権を与えてください。 チェックの仕組み
- ソースリポジトリがリンクされており、アクセス可能quartzunit/docpick is public and reachablegithub.com/quartzunit/docpick ↗合格
- パッケージがこのリポジトリをソースとして指定docpick names quartzunit/docpick as sourcepypi.org/project/docpick/ ↗合格
- ビルドの来歴 (Sigstore 証明)No build attestation published for this release未チェック
- オープンソースライセンス (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗合格
- 過去1年以内にコミットまたはリリースありLast commit or release 2026-04-15github.com/quartzunit/docpick ↗合格
- OpenSSF Scorecard未チェック
- パッケージ名が有名なパッケージに酷似していないNo popular package one edit away from docpick合格
- パッケージおよびその依存関係に重大な勧告なし22 resolved dependencies checked; no critical advisoryosv.dev ↗合格
- モデルへの隠れた指示がない0 tool descriptions and the README read; no override phrases, credential paths or hidden characters合格
- 破壊的なツールがラベル付けされている未チェック
- リモートエンドポイントが MCP ハンドシェイクに応答未チェック
README
GitHubで見るDocpick
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.
Docpick MCPのよくある質問
Docpick MCPをClaude Codeに追加するには
ターミナルでclaude mcp add docpick -- uvx docpickを実行します。すべてのプロジェクトで利用するには--scope userを追加します。
Docpick MCPをCursorに追加するには
~/.cursor/mcp.jsonを開き、上記のインストールセクションに示すCursor設定を使ってmcpServersの下にサーバーを追加します。
Docpickはクラウドサービスを必要としますか?
いいえ、クラウドに依存せず、すべてローカル環境で動作します。
抽出に独自のデータ構造を使用できますか?
はい、PydanticモデルやJSON Schemaファイルを使用して、独自のスキーマを定義できます。
OCRの信頼度が低い結果はどのように処理されますか?
2段階のオートエンジンを採用しており、信頼度が閾値を下回った場合は、より高度なビジョン言語モデルへ自動的にエスカレーションされます。