Biblioteca de Python de código abierto que divide PDFs, HTML, documentos de Word, correos electrónicos y otros documentos en elementos estructurados para pipelines de LLM.
15,7 mil+41 esta semana1,4 milHTMLApache-2.0Bien mantenidoActualizado ayer
enoch3712/ExtractThinker
Biblioteca de Python que usa LLM para convertir PDF, imágenes y otros documentos en objetos Pydantic validados, con clasificación y división.
- Estrellas
- 1,604
- Forks
- 156
- Issues abiertos
- 5
- Último commit
- hace 2 meses
¿Qué es?
ExtractThinker es una biblioteca de Python para extraer datos tipados de documentos. Defines un contrato de Pydantic que describe los campos que necesitas, eliges un cargador de documentos y un LLM, y la biblioteca carga, clasifica, divide y extrae el contenido en un objeto validado.
La biblioteca abarca los pasos habituales de un flujo de procesamiento de documentos: cargadores para PDF, imágenes, tablas y hojas de cálculo; clasificación y división de conjuntos mixtos; y estrategias de finalización para entradas largas o respuestas incompletas del modelo. Puedes usar modelos locales mediante Ollama. La rama principal también incorpora recuperación de páginas con SQLite, extracción paralela de campos, enrutamiento de modelos, enmascaramiento local de entidades y un servicio MCP; sin embargo, estas funciones aún no están disponibles en una versión de PyPI y requieren instalar el proyecto desde un checkout.
La validación del esquema no garantiza que los valores extraídos sean correctos, así que conviene evaluar los resultados con tus propios documentos. La extracción llama al proveedor de modelos configurado y puede generar cargos.
Funciones clave
- 01Define los datos que se extraerán mediante modelos de Pydantic con restricciones y validación de campos.
- 02Carga PDF, imágenes, tablas y hojas de cálculo mediante cargadores de documentos intercambiables.
- 03Clasifica y divide conjuntos mixtos de documentos en documentos separados.
- 04Admite modelos locales mediante Ollama y proveedores de LLM en la nube.
- 05Gestiona documentos largos y respuestas incompletas mediante estrategias de finalización.
Casos de uso
- Extraer números de factura, totales y datos del proveedor de facturas escaneadas o digitales.
- Clasificar y dividir un conjunto de documentos empresariales variados antes de procesarlo.
- Crear un flujo de procesamiento de documentos que genere datos tipados para el código Python posterior.
Inicio rápido
- 1
Instala la biblioteca desde PyPI
pip install extract-thinker - 2
Configura EXTRACT_THINKER_MODEL y la clave de API del proveedor; después, ejecuta el script de extracción de ejemplo
Antes de usarlo
- Se necesita un proveedor de LLM y una clave de API; la extracción puede generar cargos.
- Los documentos escaneados requieren OCR o un modelo con capacidad de visión.
- Las funciones de 2026 de main no están incluidas en ninguna versión de PyPI y requieren instalar el proyecto desde un checkout de git.
En colecciones
Temas
#document-intelligence#llm#pdf#ocr#pydantic#document-parsing#structured-extraction#ai#document-image-analysis#document-processing
Preguntas frecuentes
- ¿Qué es ExtractThinker?
- Biblioteca de Python que usa LLM para convertir PDF, imágenes y otros documentos en objetos Pydantic validados, con clasificación y división. ExtractThinker es una biblioteca de Python para extraer datos tipados de documentos. Defines un contrato de Pydantic que describe los campos que necesitas, eliges un cargador de documentos y un LLM, y la biblioteca carga, clasifica, divide y extrae el contenido en un objeto validado.
- ¿ExtractThinker es gratuito? ¿Qué licencia tiene?
- ExtractThinker es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿ExtractThinker sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de ExtractThinker fue el 16 sept 2026.
- ¿Para qué puedo usar ExtractThinker?
- Extraer números de factura, totales y datos del proveedor de facturas escaneadas o digitales. Clasificar y dividir un conjunto de documentos empresariales variados antes de procesarlo. Crear un flujo de procesamiento de documentos que genere datos tipados para el código Python posterior.
- ¿Cómo se instala ExtractThinker?
- Instala la biblioteca desde PyPI: pip install extract-thinker Configura EXTRACT_THINKER_MODEL y la clave de API del proveedor; después, ejecuta el script de extracción de ejemplo
- ¿Dónde consigo ExtractThinker?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/enoch3712/ExtractThinker
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Parser de documentos de código abierto que convierte PDF, Office, HTML y otros archivos en datos estructurados para pipelines de IA generativa.
70,2 mil+339 esta semana5,3 milPythonMITBien mantenidoActualizado hace 18 horas
Analizador de documentos de código abierto que convierte PDF, archivos de Office e imágenes a Markdown o JSON para flujos de trabajo con LLM y agentes.
83,2 mil+414 esta semana6,9 milPythonOtherActualizado ayer
Un parser de documentos que convierte archivos PDF, Word, PowerPoint, Excel y CSV en texto listo para LLM, procurando conservar intacto el contenido.
7,4 mil+1 esta semana417PythonApache-2.0Actualizado hace 23 días
API de inteligencia documental autoalojada que convierte PDF, archivos de Office e imágenes en fragmentos listos para LLM, con análisis de diseño y OCR.
4,2 mil+5 esta semana278RustAGPL-3.0Actualizado hace 2 meses
Analizador de PDF de código abierto que convierte PDF a Markdown, JSON con cuadros delimitadores y HTML para canalizaciones de IA, y etiqueta automáticamente los PDF sin etiquetar como Tagged PDFs.
30,2 mil+63 esta semana2,9 milJavaApache-2.0Actualizado hace 23 horas