Parsr

Parsr 项目简介

项目概述

Parsr 是一个能够将文档（如图像、PDF、DOCX、EML等）进行清理、解析和提取的工具链，其结果可以生成为 JSON、Markdown (MD)、CSV/Pandas DF 或 TXT 格式。这款工具可以帮助分析师、数据科学家和开发者获得清晰、结构化并附带标签的信息集合，方便其进行数据录入、文档分析自动化、档案存储等多种应用。

功能特点

Parsr 当前具备以下功能：

• 文档清理：能够对文档进行基础的清理工作。
• 层次结构重建：重新组织单词、行、段落等内容结构。
• 元素检测：包括标题、表格、列表、目录、页码、页眉/页脚、链接等多种文档元素的自动检测。

开始使用

安装

获取 Parsr API 的最快方式是通过 Docker 仓库拉取镜像：

docker pull axarev/parsr

若希望安装 GUI 以便于发送文档和可视化结果，可以使用：

docker pull axarev/parsr-ui-localhost

除了使用 Docker，也可以在本地进行非容器化安装，详细过程参见官方安装指南。

使用

运行 API 的命令如下：

docker run -p 3001:3001 axarev/parsr

这个命令会在本地的 3001 端口启动服务。想了解更多 API 的使用方法，可以查阅相应的文档。

1. 如需使用 Python 客户端访问 Parsr API，可以通过以下方式安装：

   pip install parsr-client
   

2. 如果需要使用 GUI 工具，在确保 API 已经运行的情况下，执行：

   docker run -t -p 8080:80 axarev/parsr-ui-localhost:latest
   

   然后在浏览器中访问本地 8080 端口即可。

更多关于 GUI 配置选项的解释可以参考配置文档，API 和命令行使用方法则可在高级使用指南中找到。

文档和贡献

所有相关的文档文件可以在项目的文档目录中找到。如果有兴趣为项目做贡献，可参考贡献指南。

第三方许可证

Parsr 项目依赖于多个第三方库，每个库都有其相应的许可证，包括但不限于：

• QPDF: Apache
• ImageMagick: Apache 2.0
• Pdfminer.six: MIT
• PDF.js: Apache 2.0
• Tesseract: Apache 2.0
• Camelot: MIT
• MuPDF (可选依赖): AGPL
• Pandoc (可选依赖): GPL

许可证

Parsr 由 AXA Group Operations S.A. 提供，并遵循 Apache 2.0 许可证。