Docpick MCP sunucusu
✓ DoğrulandıYerel OCR motorları ve özelleştirilebilir Pydantic şemaları kullanarak belgelerden yapılandırılmış JSON verisi çıkarır.
Ayrıca bilinen adı QuartzUnit/docpick
- Yıldızlar
- 1
- Araçlar
- —
- İndirmeler, 30 gün
- 2.671
- En son sürüm
- 0.1.2
- Son commit
- 15 Nis 2026
- Lisans
- Apache-2.0
Docpick MCP nedir?
Docpick bir MCP sunucusudur. Yerel OCR motorları ve özelleştirilebilir Pydantic şemaları kullanarak belgelerden yapılandırılmış JSON verisi çıkarır.
Özet, projenin README dosyasından oluşturuldu
Docpick MCP sunucusu hakkında
Docpick, özel veri boru hatları (data pipelines) inşa eden geliştiriciler için fiziksel belgeleri yerel olarak yapılandırılmış JSON verisine dönüştürme imkanı sağlar. PaddleOCR, EasyOCR veya GOT-OCR2.0 gibi yerel OCR motorlarını Ollama veya vLLM gibi yerel LLM uç noktalarıyla birleştiren, şema odaklı bir veri çıkarma sistemi olarak çalışır. Tüm süreç kendi CPU veya GPU'nuz üzerinde çalıştığı için fatura, fiş veya banka ekstresi gibi hassas bilgilerin makinenizden asla çıkmaması sağlanır.
Kullanıcılar, yaygın belgeler için yerleşik sekiz şemadan birini seçebilir veya belirli veri yapılarını zorunlu kılmak için özel Pydantic modelleri tanımlayabilir. Sistem, IBAN veya Kore işletme numaraları için kontrol basamağı (checkdigit) doğrulaması ve matematiksel tutarlılığı sağlamak için alanlar arası kurallar gibi yerleşik doğrulama araçları içerir. İster Python API aracılığıyla tek bir dosya işleyin, ister paralel işçilerle (workers) tüm dizinlerde toplu işler çalıştırın; boru hattı, yüksek çıkarma doğruluğunu korumak için OCR yedekleme (fallback) ve LLM yeniden deneme süreçlerini yönetir.
Neler yapabilirsiniz
- 1Fatura verisi çıkarmaVergi kimlik numaralarını ve kalem toplamlarını doğrularken ticari faturaları yapılandırılmış JSON formatına dönüştürün.
- 2Kimlik belgelerini doğrulamaPasaport bilgilerini çıkarın ve bunları ICAO 9303 standartları ile MRZ bölgelerine göre doğrulayın.
- 3Toplu belge işleme otomasyonuBelgelerle dolu bir klasör üzerinde belirli bir şema kullanarak paralel çıkarma görevleri çalıştırın.
- 4Belgeler arası tutarlılığı sağlamaVerilerin bir fatura, konşimento ve çeki listesi arasında tutarlı kalmasını sağlayın.
Projenin README dosyasından alınmıştır. Her kullanım durumu, oradaki bir alıntı ile kontrol edilir.
Docpick MCP nasıl yüklenir
Biçimler 10 Kas 2026 tarihinde doğrulandıCursor'a ekleGoose'a ekleDocpick MCP'yi Claude Code içine yükleyin
$ claude mcp add docpick -- uvx docpickDocpick MCP'yi Cursor içine yükleyin
~/.cursor/mcp.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Docpick MCP'yi VS Code içine yükleyin
.vscode/mcp.json
{
"servers": {
"docpick": {
"type": "stdio",
"command": "uvx",
"args": [
"docpick"
]
}
}
}Docpick MCP'yi VS Code CLI içine yükleyin
$ code --add-mcp '{"name":"docpick","type":"stdio","command":"uvx","args":["docpick"]}'Docpick MCP'yi Claude Desktop içine yükleyin
claude_desktop_config.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Docpick MCP'yi Codex içine yükleyin
$ codex mcp add docpick -- uvx docpickDocpick MCP'yi Codex config.toml içine yükleyin
~/.codex/config.toml
[mcp_servers.docpick] command = "uvx" args = ["docpick"]
Docpick MCP'yi Gemini CLI içine yükleyin
$ gemini mcp add -s user docpick uvx -- docpickDocpick MCP'yi Gemini settings.json içine yükleyin
~/.gemini/settings.json
{
"mcpServers": {
"docpick": {
"command": "uvx",
"args": [
"docpick"
]
}
}
}Otomatik kontroller
Çalıştırıldı 15 Kas 2026Tam rapor →Otomatik kontrollerimizden geçti. Bu bir güvenlik denetimi değildir: kodu okuyun ve sunucuya ihtiyaç duyduğu en dar erişimi verin. Kontroller nasıl çalışır
- Kaynak deposu bağlantılı ve erişilebilirquartzunit/docpick is public and reachablegithub.com/quartzunit/docpick ↗Geçti
- Paket, bu depoyu kaynağı olarak gösteriyordocpick names quartzunit/docpick as sourcepypi.org/project/docpick/ ↗Geçti
- Derleme kökeni (Sigstore onayı)No build attestation published for this releaseKontrol edilmedi
- Açık kaynak lisansı (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Geçti
- Son bir yıl içinde commit veya sürüm mevcutLast commit or release 2026-04-15github.com/quartzunit/docpick ↗Geçti
- OpenSSF ScorecardKontrol edilmedi
- Paket adı popüler bir pakete yakın değilNo popular package one edit away from docpickGeçti
- Pakette veya bağımlılıklarında kritik uyarı yok22 resolved dependencies checked; no critical advisoryosv.dev ↗Geçti
- Modele yönelik gizli talimat yok0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersGeçti
- Yıkıcı araçlar etiketlenmişKontrol edilmedi
- Uzak uç nokta MCP el sıkışmasına yanıt veriyorKontrol edilmedi
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 soruları
Docpick MCP'yi Claude Code'a nasıl eklerim?
Terminalinizde claude mcp add docpick -- uvx docpick komutunu çalıştırın. Her projede kullanılabilir olması için --scope user ekleyin.
Docpick MCP'yi Cursor'a nasıl eklerim?
~/.cursor/mcp.json dosyasını açın ve yukarıdaki yükleme bölümünde gösterilen Cursor yapılandırmasını kullanarak sunucuyu mcpServers altına ekleyin.
Docpick bulut servislerine ihtiyaç duyar mı?
Hayır, tamamen makinenizde çalışır ve hiçbir bulut bağımlılığı yoktur.
Veri çıkarma işlemi için kendi veri yapılarımı kullanabilir miyim?
Evet, Pydantic modelleri veya JSON Schema dosyaları kullanarak kendi şemalarınızı tanımlayabilirsiniz.
Sistem düşük güven puanlı OCR sonuçlarını nasıl işler?
Güven oranı bir eşiğin altına düştüğünde otomatik olarak daha gelişmiş görme-dil modellerine (vision-language models) geçiş yapan 2 aşamalı bir otomatik motor kullanır.