Un plugin de Zotero para conversar con uno o varios PDF y buscar en toda la biblioteca con LLM en la nube o modelos locales.
2,7 mil96JavaScriptAGPL-3.0Actualizado hace 4 días
CatchTheTornado/text-extract-api
Servicio FastAPI autoalojado que convierte PDF, imágenes y documentos de Office a Markdown o JSON estructurado, con OCR, LLM locales mediante Ollama y eliminación de datos personales.
Alternativa open source a:Adobe Acrobat
ABBYY FineReader
- Estrellas
- 3,184
- Forks
- 279
- Issues abiertos
- 49
- Último commit
- hace 10 meses
¿Qué es?
text-extract-api es un servicio de extracción de documentos que convierte imágenes, PDF y archivos de Office en texto Markdown o JSON estructurado. Está desarrollado con FastAPI, usa Celery para procesar tareas de forma asíncrona y Redis para almacenar en caché los resultados del OCR. Ofrece varias estrategias de OCR, como EasyOCR, MiniCPM-V y Llama 3.2 Vision ejecutados mediante Ollama, además de una estrategia remota que llama a un servidor externo de marker-pdf.
El pipeline puede enviar los resultados del OCR a un LLM alojado en Ollama con un prompt personalizado, por ejemplo, para generar JSON o eliminar información de identificación personal de facturas e informes. Los resultados se pueden guardar mediante perfiles de almacenamiento intercambiables, como el sistema de archivos local, Google Drive o Amazon S3. Se incluyen archivos de Docker Compose para configuraciones de CPU y GPU, además de una CLI y un cliente de TypeScript.
El proyecto está dirigido a equipos que necesitan procesar documentos sin enviar archivos a servicios de nube externos. Los datos permanecen en la máquina o el servidor donde se ejecuta el stack, aunque la estrategia remota de marker y los backends de almacenamiento en la nube envían datos a los endpoints que configures.
Funciones clave
- 01Convierte imágenes, PDF y documentos de Office a Markdown o JSON.
- 02Ofrece estrategias de OCR con EasyOCR, MiniCPM-V, Llama 3.2 Vision y marker-pdf remoto.
- 03Usa modelos alojados en Ollama para procesar el texto del OCR y extraer datos estructurados.
- 04Elimina información de identificación personal mediante prompts.
- 05Ejecuta tareas de forma asíncrona con Celery y almacena en caché los resultados del OCR en Redis.
- 06Guarda los resultados en un disco local, Google Drive o Amazon S3 mediante perfiles de almacenamiento.
Casos de uso
- Convertir facturas o informes escaneados en JSON estructurado para sistemas posteriores.
- Eliminar datos personales de documentos antes de compartirlos o archivarlos.
- Ejecutar OCR de documentos en las instalaciones cuando los archivos no pueden salir de la red.
- Crear una API de ingesta de documentos que envíe texto a pipelines de RAG o búsqueda.
Temas
Preguntas frecuentes
- ¿Qué es text-extract-api?
- Servicio FastAPI autoalojado que convierte PDF, imágenes y documentos de Office a Markdown o JSON estructurado, con OCR, LLM locales mediante Ollama y eliminación de datos personales. text-extract-api es un servicio de extracción de documentos que convierte imágenes, PDF y archivos de Office en texto Markdown o JSON estructurado. Está desarrollado con FastAPI, usa Celery para procesar tareas de forma asíncrona y Redis para almacenar en caché los resultados del OCR. Ofrece varias estrategias de OCR, como EasyOCR, MiniCPM-V y Llama 3.2 Vision ejecutados mediante Ollama, además de una estrategia remota que llama a un servidor externo de marker-pdf.
- ¿text-extract-api es gratuito? ¿Qué licencia tiene?
- text-extract-api es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿text-extract-api sigue mantenido?
- Sin commits en más de 6 meses. El último commit de text-extract-api fue el 8 dic 2025.
- ¿Para qué puedo usar text-extract-api?
- Convertir facturas o informes escaneados en JSON estructurado para sistemas posteriores. Eliminar datos personales de documentos antes de compartirlos o archivarlos. Ejecutar OCR de documentos en las instalaciones cuando los archivos no pueden salir de la red. Crear una API de ingesta de documentos que envíe texto a pipelines de RAG o búsqueda.
- ¿Dónde consigo text-extract-api?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/CatchTheTornado/text-extract-api
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Aplicación web para ejecutar DeepSeek-OCR con imágenes y PDF, con frontend en React, backend en FastAPI y configuración de Docker.
1,9 mil311JavaScriptMITActualizado hace 7 meses
Microservicio basado en Docker e interfaz de Gradio que segmenta las páginas de PDF en títulos, texto, tablas, imágenes y más, con OCR y conversión a Markdown/HTML.
1,4 mil148PythonApache-2.0Actualizado hace 13 días
App de contabilidad autoalojada que usa LLM para extraer datos de recibos, facturas y PDF y guardarlos en una base de datos estructurada de transacciones.
6,8 mil1,1 milTypeScriptMITActualizado hace 21 días
Biblioteca de scraping web en Python que usa LLM y pipelines basados en grafos para extraer datos estructurados de sitios web y documentos locales a partir de una instrucción de texto.
32 mil3,4 milPythonMITActualizado hace 13 días
Un asistente de chat que analiza la conversación, evalúa la intención y el riesgo, y redacta respuestas que tú envías en Android, Windows, macOS e iOS.
7,9 mil1,3 milKotlinMITActualizado hace 3 días