Plugin do Zotero para conversar com um ou vários PDFs e pesquisar em toda a biblioteca usando LLMs na nuvem ou modelos locais.
2,7 mil96JavaScriptAGPL-3.0Atualizado há 4 dias
CatchTheTornado/text-extract-api
Serviço FastAPI auto-hospedado que converte PDFs, imagens e documentos do Office em Markdown ou JSON estruturado, com OCR, LLMs locais via Ollama e remoção de dados pessoais.
Alternativa open source a:Adobe Acrobat
ABBYY FineReader
- Estrelas
- 3,184
- Forks
- 279
- Issues abertas
- 49
- Último commit
- há 10 meses
O que é?
text-extract-api é um serviço de extração de documentos que converte imagens, PDFs e arquivos do Office em texto Markdown ou JSON estruturado. Ele é desenvolvido com FastAPI, usa Celery para o processamento assíncrono de tarefas e Redis para armazenar em cache os resultados do OCR. Há várias estratégias de OCR disponíveis, incluindo EasyOCR, MiniCPM-V e Llama 3.2 Vision executados pelo Ollama, além de uma estratégia remota que chama um servidor marker-pdf externo.
O pipeline pode enviar o resultado do OCR para um LLM hospedado no Ollama com um prompt personalizado, por exemplo, para gerar JSON ou remover informações de identificação pessoal de faturas e relatórios. Os resultados podem ser salvos por meio de perfis de armazenamento configuráveis, como o sistema de arquivos local, Google Drive ou Amazon S3. Há arquivos Docker Compose para configurações de CPU e GPU, além de uma CLI e um cliente TypeScript.
O projeto é voltado a equipes que precisam processar documentos sem enviar arquivos a serviços de nuvem externos. Os dados permanecem na máquina ou no servidor que executa a stack, embora a estratégia remota marker e os backends de armazenamento em nuvem enviem dados aos endpoints configurados.
Recursos principais
- 01Converte imagens, PDFs e documentos do Office em Markdown ou JSON.
- 02Oferece estratégias de OCR com EasyOCR, MiniCPM-V, Llama 3.2 Vision e marker-pdf remoto.
- 03Usa modelos hospedados no Ollama para pós-processar o texto do OCR e extrair dados estruturados.
- 04Remove informações de identificação pessoal por meio de prompts.
- 05Executa tarefas de forma assíncrona com Celery e armazena em cache os resultados do OCR no Redis.
- 06Salva resultados em disco local, Google Drive ou Amazon S3 por meio de perfis de armazenamento.
Casos de uso
- Converter faturas ou relatórios digitalizados em JSON estruturado para sistemas subsequentes.
- Remover dados pessoais de documentos antes de compartilhá-los ou arquivá-los.
- Executar OCR de documentos no local, quando os arquivos não podem sair da rede.
- Criar uma API de ingestão de documentos que envia texto para pipelines de RAG ou busca.
Tópicos
Perguntas frequentes
- O que é text-extract-api?
- Serviço FastAPI auto-hospedado que converte PDFs, imagens e documentos do Office em Markdown ou JSON estruturado, com OCR, LLMs locais via Ollama e remoção de dados pessoais. text-extract-api é um serviço de extração de documentos que converte imagens, PDFs e arquivos do Office em texto Markdown ou JSON estruturado. Ele é desenvolvido com FastAPI, usa Celery para o processamento assíncrono de tarefas e Redis para armazenar em cache os resultados do OCR. Há várias estratégias de OCR disponíveis, incluindo EasyOCR, MiniCPM-V e Llama 3.2 Vision executados pelo Ollama, além de uma estratégia remota que chama um servidor marker-pdf externo.
- text-extract-api é gratuito? Qual é a licença?
- text-extract-api é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- text-extract-api ainda é mantido?
- Sem commits há mais de 6 meses. O último commit de text-extract-api foi em 8 de dez. de 2025.
- Para que posso usar text-extract-api?
- Converter faturas ou relatórios digitalizados em JSON estruturado para sistemas subsequentes. Remover dados pessoais de documentos antes de compartilhá-los ou arquivá-los. Executar OCR de documentos no local, quando os arquivos não podem sair da rede. Criar uma API de ingestão de documentos que envia texto para pipelines de RAG ou busca.
- Onde consigo text-extract-api?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/CatchTheTornado/text-extract-api
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Aplicativo web para executar o DeepSeek-OCR em imagens e PDFs, com frontend em React, backend em FastAPI e configuração com Docker.
1,9 mil311JavaScriptMITAtualizado há 7 meses
Microsserviço baseado em Docker e interface Gradio que segmentam páginas de PDF em títulos, textos, tabelas, imagens e outros elementos, com OCR e conversão para Markdown/HTML.
1,4 mil148PythonApache-2.0Atualizado há 13 dias
App de contabilidade self-hosted que usa LLMs para extrair dados de recibos, faturas e PDFs e organizá-los em um banco de transações estruturado.
6,8 mil1,1 milTypeScriptMITAtualizado há 21 dias
Biblioteca Python de web scraping que usa LLMs e pipelines baseados em grafos para extrair dados estruturados de sites e documentos locais a partir de um prompt de texto.
32 mil3,4 milPythonMITAtualizado há 13 dias
Um assistente de decisão para conversas que analisa o contexto, avalia intenção e risco e sugere respostas que você envia manualmente no Android, Windows, macOS e iOS.
7,9 mil1,3 milKotlinMITAtualizado há 3 dias