Project Icon

textract

多格式文档文本提取工具

textract是一个开源文本提取工具,支持从多种格式文档(如PDF、Word、Excel等)中提取文本。该项目最初由Dean Malmgren创建,现由Jazzband社区维护。textract提供简单接口,具备全面的文档支持,旨在简化文本提取流程。它适用于需要从不同类型文档中批量提取文本的场景,为用户提供高效的文本提取解决方案。

tika-python - Python版Apache Tika库,支持文档解析、文本翻译与语言检测
Apache TikaGithubPython库REST服务器tika-python安装开源项目
tika-python是Apache Tika的Python移植版,通过Tika REST Server提供强大的文档解析、文本翻译和语言检测功能。该库支持通过多个接口调用,支持gzip压缩输入输出流,并提供命令行工具。用户可配置环境变量,在无网络连接环境中使用,优化其行为。
tesserocr - Python封装的OCR引擎简化技术集成
GithubOCRPythonTesseract APItesserocr图像识别开源项目
tesserocr是基于Tesseract OCR引擎的Python封装库,通过Cython集成Tesseract C++ API。它提供简洁的Pythonic接口,支持多线程并发,可与Pillow库配合。tesserocr简化了OCR集成,便于开发者在Python项目中实现高效文字识别。该库支持多种图像格式,提供丰富的API功能,包括文本识别、布局分析和方向检测等。tesserocr支持多种语言识别、图像预处理、文本布局分析等高级功能。它还提供了简单的命令行接口,方便快速测试和使用。该库适用于各种OCR应用场景,如文档数字化、图像文本提取和自动化数据录入等。
HarvestText - 开源文本处理和分析工具,支持无监督方法和领域知识整合
GithubHarvestTextPython开源项目文本预处理无监督方法自然语言处理
HarvestText 是一个开源文本处理与分析工具,专注于无(弱)监督方法,能够整合领域知识,高效处理和分析特定领域文本。主要功能包括精细分词、文本清洗、实体链接、命名实体识别和依存句法分析等,并支持情感分析、关系网络构建、文本摘要及信息检索等高级应用。广泛应用于小说分析、网络文本及专业文献处理,具备高效灵活的特点。
texify - 高效OCR模型,图像数学公式到Markdown和LaTeX的转换工具
GithubLaTeXOCRTexify图像转换开源项目机器学习
Texify是一个开源OCR模型,可将含数学公式的图像或PDF转换为Markdown和LaTeX格式。支持块级和内联公式,兼容CPU、GPU和MPS。基于多样化数据集训练,相较其他开源工具准确度更高。提供GUI、命令行和Python API,适用于多种场景。
Extracta.ai - 自动提取非结构化文档数据 无需训练高效解析
AI工具Extracta.ai人工智能数据提取文档处理自动化
Extracta.ai为智能文档数据提取工具,可从多种非结构化文档中自动提取信息。支持PDF、图片、扫描件等格式,无需复杂训练。用户定义所需字段并上传文件后,即可获得结构化数据。适用于发票、简历、合同等文档处理,提高效率减少错误。采用加密存储技术,符合GDPR规定,确保数据安全。
pdfminer.six - Python开源PDF文本提取与分析库
GithubPDF解析Python库pdfminer.six开源项目文本提取文档分析
pdfminer.six是一个开源Python库,用于从PDF文档中提取和分析文本数据。该库能够提取文本内容及其位置、字体和颜色信息,支持PDF-1.7规范、CJK语言和垂直书写。pdfminer.six还可提取图像、目录和交互式表单,支持多种压缩和加密方式。其模块化设计便于扩展,适用于多种PDF分析场景。该项目是PDFMiner的社区维护分支,提供了全面的PDF文档分析功能。
ExtractThinker - 使用 LLM 从文件和文档中提取数据的库
ExtractThinkerGithubLLMs开源项目数据提取文档处理智能文档
ExtractThinker提供智能文件数据提取,支持Tesseract OCR、Azure Form Recognizer和AWS TextExtract等多种文档加载器。适用于异步处理、多种格式和ORM风格操作的模块化架构,并与LangChain生态系统兼容。专注于智能文档处理,大幅提升数据提取准确率,适用于发票、驾照等多场景。
wiktextract - 高效提取Wiktionary数据的开源Python工具
GithubJSONPythonWiktextractWiktionary开源项目数据提取
Wiktextract是一款开源Python工具,专门从英语Wiktionary数据中提取多语言词典信息。通过展开模板和Lua宏,它能准确提取释义、词形和发音等数据。Wiktextract可提取词条、词性、变形、翻译、发音和用法等多方面信息,支持命令行使用或作为Python库集成。这一工具为自然语言处理、机器翻译等领域提供了丰富的词典资源。
pytextrank - 基于图算法的Python自然语言处理与知识图谱工具
GithubPyTextRankspaCy图算法开源项目文本摘要自然语言处理
PyTextRank 是一个Python实现的TextRank算法库,作为spaCy管道扩展,专注于图形化自然语言处理和知识图谱应用。它支持短语提取、低成本抽取式摘要,方便将非结构化文本转化为结构化信息。
OCRmyPDF - 扫描PDF文件的OCR转换与优化工具
GithubOCRmyPDFPDF文档多语言支持开源软件开源项目文字识别
OCRmyPDF是一款开源的命令行工具,专门用于为扫描PDF文件添加OCR文本层。它支持多语言识别、页面旋转和倾斜校正,并能生成符合长期存储标准的PDF/A文件。此工具可优化PDF图像,常常生成比原文件更小的输出。OCRmyPDF利用多核处理技术,能高效处理大型文档,已在数百万PDF文件上得到验证。它为用户提供了将不可搜索的扫描文档转换为可搜索、可复制的PDF文件的简便方法。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号