Repolode
Enviar
huridocs

huridocs/pdf-document-layout-analysis

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.

Alternativa open source a:Adobe Acrobat

Ver no GitHub
Estrelas
1,357
Forks
148
Issues abertas
14
Último commit
há 14 dias

O que é?

Este projeto é um microsserviço para análise de layout de PDFs. Ele segmenta cada página em elementos como títulos, textos, tabelas, imagens, fórmulas, legendas, cabeçalhos e rodapés, e os classifica. Também determina a ordem de leitura desses elementos, permitindo usar os resultados em etapas posteriores de processamento.

Além da análise, o serviço oferece OCR por meio do Tesseract e do ocrmypdf, extração de tabelas como HTML e fórmulas como LaTeX, além da conversão de PDFs para Markdown ou HTML. Também é possível traduzir o conteúdo convertido para outros idiomas usando modelos do Ollama. O projeto inclui uma interface web em Gradio e uma REST API, e o serviço roda em Docker com suporte opcional a GPU.

Há duas opções de modelo: o VGT, um modelo baseado em visão, mais preciso, mas que precisa de uma GPU para ter bom desempenho; e os modelos LightGBM, que rodam na CPU usando recursos de XML do Poppler e são mais rápidos, mas um pouco menos precisos.

Recursos principais

  • 01Classifica os elementos das páginas em 11 tipos, incluindo títulos, textos, tabelas, imagens e fórmulas.
  • 02Oferece OCR para PDFs digitalizados, com opções de rotação e correção de inclinação.
  • 03Converte PDFs para Markdown ou HTML, com opção de tradução via Ollama.
  • 04Extrai tabelas como HTML e fórmulas como LaTeX.
  • 05Oferece uma interface web em Gradio e uma REST API.

Casos de uso

  • Pré-processar relatórios em PDF ou artigos acadêmicos antes de indexá-los ou usá-los em buscas.
  • Converter documentos digitalizados em PDFs pesquisáveis com OCR.
  • Extrair um sumário ou texto estruturado de documentos extensos.
  • Traduzir documentos convertidos para Markdown ou HTML para vários idiomas.

Início rápido

  1. 1

    Inicie o serviço com make

    make start
  2. 2

    Abra a Web UI no navegador

  3. 3

    Analise um PDF pela REST API

    curl -X POST -F 'file=@/path/to/your/document.pdf' http://localhost:5060
  4. 4

    Pare o serviço

    make stop

Antes de usar

  • É necessário ter o Docker, e os modelos e as dependências ocupam até 10 GB de espaço em disco.
  • O suporte a GPU é opcional, mas o README indica 5 GB de memória de GPU para obter o melhor desempenho.
  • A tradução depende de um modelo do Ollama em execução.

Tópicos

#pdf#document-layout-analysis#ocr#docker#fastapi#computer-vision#markdown#rest-api

Perguntas frequentes

O que é pdf-document-layout-analysis?
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. Este projeto é um microsserviço para análise de layout de PDFs. Ele segmenta cada página em elementos como títulos, textos, tabelas, imagens, fórmulas, legendas, cabeçalhos e rodapés, e os classifica. Também determina a ordem de leitura desses elementos, permitindo usar os resultados em etapas posteriores de processamento.
pdf-document-layout-analysis é gratuito? Qual é a licença?
pdf-document-layout-analysis é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
pdf-document-layout-analysis ainda é mantido?
Manutenção ativa. O último commit de pdf-document-layout-analysis foi em 6 de out. de 2026.
Para que posso usar pdf-document-layout-analysis?
Pré-processar relatórios em PDF ou artigos acadêmicos antes de indexá-los ou usá-los em buscas. Converter documentos digitalizados em PDFs pesquisáveis com OCR. Extrair um sumário ou texto estruturado de documentos extensos. Traduzir documentos convertidos para Markdown ou HTML para vários idiomas.
Como instalar pdf-document-layout-analysis?
Inicie o serviço com make: make start Abra a Web UI no navegador Analise um PDF pela REST API: curl -X POST -F 'file=@/path/to/your/document.pdf' http://localhost:5060 Pare o serviço: make stop
Onde consigo pdf-document-layout-analysis?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/huridocs/pdf-document-layout-analysis

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados