ExtractThinker

使用 LLM 从文件和文档中提取数据的库

ExtractThinker LLMs 文档处理数据提取智能文档 Github 开源项目

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。

Github

介绍相关项目

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。

llmdocparser - 基于LLM的智能PDF解析与内容分析工具包

GithubLLMDocParserPDF解析多模态模型布局分析开源项目文本分析

LLMDocParser是一款智能PDF解析和内容分析工具包，结合大型语言模型(LLM)技术。该工具采用布局分析模型识别PDF文档中的文本、标题、图表等元素，并通过多模态模型实现智能解析。支持Azure、OpenAI等多种LLM平台，LLMDocParser能高效处理复杂PDF文档，为RAG解决方案提供结构化文本输出，适用于各类文档智能化处理场景。

ExtractNinja - 高效智能的多类型文档数据提取与分析工具

AI分析AI工具ExtractNinja数据提取数据自动化文档处理

ExtractNinja是一款基于AI技术的文档处理工具，能够快速从各类文档中提取和分析数据。支持处理简历、发票、合同等多种文档类型，通过简单的提取模式定义，实现自动化数据提取，有效减少人工输入工作。工具还提供自定义分析功能，帮助用户深入挖掘数据价值。支持Excel和CSV格式输出，适用于人力资源、财务、法务等多个部门的数据处理需求，为企业提供高效的文档数据处理解决方案。

llm_aided_ocr - 提升OCR文本质量和一致性的系统

FAISSGithubLLM-Aided OCROCROpenAI APITesseract开源项目

该系统利用自然语言处理、机器学习和智能文本处理技术，将OCR输出的文本转换为高精度、格式化良好的易读文档。它解决了字符识别错误、段落结构不正确、虚构内容和格式不一致等常见OCR问题。支持从PDF到图像的转换，使用Tesseract进行OCR，并提供通过本地或API接口进行高级错误校正、智能文本分块处理和Markdown格式化等功能。此外，还采用FAISS和嵌入相似性检查进行内容过滤，确保输出文本的质量和一致性。

textract - 多格式文档文本提取工具

GithubPython库textract开源项目文本提取文档处理

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。

llm-scraper - 通过TypeScript库从网页提取结构化数据

GithubLLM ScraperPlaywrightTypeScript代码生成开源项目网页数据提取

LLM Scraper 是一个 TypeScript 库，使用 LLM 从网页提取结构化数据。支持本地和多种 AI 提供商，提供代码生成功能，基于 Playwright 框架，支持四种格式模式。使用 Zod 定义模式，确保全面的类型安全性。适用于需要高效数据提取和代码生成的开发者。

tessdoc - 多语言支持的开源文字识别引擎

GithubOCRTesseract开源软件开源项目文字识别机器学习

Tesseract是一款功能强大的开源OCR引擎，支持100多种语言和35种以上的文字。它提供命令行和API接口，可从图像中精确提取文本。Tesseract采用LSTM神经网络技术，具有高度可定制性，并配备完善的训练测试工具。该引擎可跨平台使用，包括移动设备，为开发者提供了灵活的文字识别解决方案。

PDF-Extract-Kit - 全面高效的PDF文档内容提取工具包

GithubPDF提取公式识别布局检测开源项目文档内容表格识别

PDF-Extract-Kit是一款集成多种先进技术的PDF内容提取工具包。它结合了LayoutLMv3布局分析、YOLOv8公式检测、UniMERNet公式识别、StructEqTable表格识别和PaddleOCR文字识别等功能,能够准确高效地提取各类PDF文档中的结构化内容。该工具适用于学术论文、教科书、研究报告和财务报表等多种文档类型,即使面对扫描质量欠佳或带有水印的PDF文件,也能保持稳定的提取效果。

uniflow-llm-based-pdf-extraction-text-cleaning-data-clustering - 多源文档提取与转换的统一LLM框架

GithubLLM接口uniflow开源项目数据转换文档提取模型微调

uniflow是一个开源项目，为多种文档类型提供统一的LLM接口，实现数据提取和转换。支持PDF、HTML和TXT等格式，兼容OpenAI、Google Gemini和AWS BedRock等主流LLM模型。该项目致力于解决遗留文档处理和数据准备的难题，为数据科学家提供生成隐私保护训练数据集的工具，简化LLM微调流程。uniflow还包含多个实用案例，如财务报告分析和教育资料问答生成等。

AdvancedLiterateMachinery - 赋予机器高级智能的先进读写系统

ALMGithubOCR场景文字识别开源项目文档理解视觉语言预训练

AdvancedLiterateMachinery是一个致力于构建高级智能系统的开源项目，旨在赋予机器阅读、思考和创造能力。项目由阿里巴巴集团同义实验室的读光OCR团队维护，涵盖文本识别、文档理解和信息提取等领域。目前，项目专注于开发从图像和文档中读取信息的技术，包含OmniParser、GEM和DocXChain等创新模型，推动人工智能技术的发展。

相关项目

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

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

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