pdf-extract-api

12个月前发布 22 00

pdf-extract-api是一个使用现代OCR技术和Ollama支持的模型将任何文档或图片转换为结构化的JSON或Markdown文本的API。它使用FastAPI构建,并使用Celery进行异步任务处理,Redis用于缓存OCR结果。该API无需云或外部依赖,所有处理都在本地开发或服务器环境中完成,确保数据安全。它支持PDF到Mar...

收录时间:
2025-05-30
pdf-extract-apipdf-extract-api

pdfextract-api是一个使用现代OCR技术和Ollama支持的模型将任何文档或图片转换为结构化的JSON或Markdown文本的API。它使用FastAPI构建,并使用Celery进行异步任务处理,Redis用于缓存OCR结果。该API无需云或外部依赖,所有处理都在本地开发或服务器环境中完成,确保数据安全。它支持PDF到Markdown的高精度转换,包括表格数据、数字或数学公式,并且可以使用Ollama支持的模型进行PDF到JSON的转换。此外,该API还支持LLM改进OCR结果,去除PDF中的个人身份信息(PII),以及分布式队列处理和缓存。

数据统计

相关导航

MarkItDown

MarkItDown

MarkItDown是一个Python工具库,用于将各种文件如PDF、PPT、Word、Excel、图片等转换为Markdown格式,便于索引、文本分析等。它支持多种文件格式,并且可以与大型语言模型结合使用,以描述图像内容。MarkItDown的重要性在于它能够将非文本内容转换为文本,极大地方便了内容的管理和使用。该工具由微软维护,免费开源,适用于需要处理大量文档和文件的开发者和数据分析师。
PDF-Extract-Kit

PDF-Extract-Kit

PDF-Extract-Kit是一个专门用于提取PDF文件中高质量内容的工具包。它通过多个组件实现对PDF文档的深度解析,包括版面检测、公式检测、公式识别和光学字符识别(OCR)。该工具包使用先进的模型如LayoutLMv3、YOLOv8、UniMERNet和PaddleOCR,以适应各种类型的PDF文档,并在版面和公式检测方面具有高精度。它还特别针对扫描模糊或带有水印的文档进行了优化,以确保在复杂情况下也能提供准确的提取结果。

暂无评论

您必须登录才能参与评论!
立即登录
none
暂无评论...