CatchTheTornado/text-extract-api

Что это?

Ключевые возможности

• 01Преобразует изображения, PDF и документы Office в Markdown или JSON.
• 02Поддерживает стратегии OCR на базе EasyOCR, MiniCPM-V, Llama 3.2 Vision и удалённого marker-pdf.
• 03Использует модели, запущенные через Ollama, для постобработки текста OCR и извлечения структурированных данных.
• 04Удаляет персональные данные с помощью промптов.
• 05Асинхронно выполняет задачи через Celery и кеширует результаты OCR в Redis.
• 06Сохраняет результаты на локальный диск, в Google Drive или Amazon S3 с помощью профилей хранилищ.

Сценарии использования

• Преобразование отсканированных счетов и отчётов в структурированный JSON для последующей обработки другими системами.
• Удаление персональных данных из документов перед передачей или архивированием.
• Запуск OCR документов в локальной инфраструктуре, где файлы не могут покидать сеть.
• Создание API для загрузки и обработки документов с передачей текста в RAG- или поисковые конвейеры.

Быстрый старт

1. 1

   Клонируйте репозиторий

   git clone https://github.com/CatchTheTornado/text-extract-api.git
2. 2

   Перейдите в каталог проекта

   cd text-extract-api
3. 3

   Запустите все сервисы с помощью Docker Compose

   docker-compose up --build

Что важно знать

• !Для локальных OCR-моделей и LLM Ollama требуется мощное оборудование. Кроме того, стратегия llama_vision работает очень медленно из-за 90 миллиардов параметров.
• !Удалённая стратегия marker-pdf распространяется по лицензии GPL3 и не включена в комплект; кроме того, на веса модели распространяются ограничения на некоммерческое использование.

Темы

Частые вопросы

Что такое text-extract-api?

Самостоятельно размещаемый сервис на FastAPI, который преобразует PDF, изображения и документы Office в Markdown или структурированный JSON с OCR, локальными LLM через Ollama и удалением персональных данных. text-extract-api — сервис извлечения данных из документов: он преобразует изображения, PDF и файлы Office в текст Markdown или структурированный JSON. В основе — FastAPI, Celery для асинхронной обработки задач и Redis для кеширования результатов OCR. Доступно несколько стратегий OCR, в том числе EasyOCR, MiniCPM-V и Llama 3.2 Vision через Ollama, а также удалённая стратегия, которая обращается к внешнему серверу marker-pdf.

text-extract-api можно использовать бесплатно? Какая у него лицензия?

text-extract-api распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.

text-extract-api всё ещё поддерживается?

Нет коммитов больше 6 месяцев. Последний коммит в text-extract-api — 8 дек. 2025 г..

Для чего можно использовать text-extract-api?

Преобразование отсканированных счетов и отчётов в структурированный JSON для последующей обработки другими системами. Удаление персональных данных из документов перед передачей или архивированием. Запуск OCR документов в локальной инфраструктуре, где файлы не могут покидать сеть. Создание API для загрузки и обработки документов с передачей текста в RAG- или поисковые конвейеры.

Как установить text-extract-api?

Клонируйте репозиторий: git clone https://github.com/CatchTheTornado/text-extract-api.git Перейдите в каталог проекта: cd text-extract-api Запустите все сервисы с помощью Docker Compose: docker-compose up --build

Где скачать text-extract-api?

Исходный код и инструкции по установке — на GitHub: https://github.com/CatchTheTornado/text-extract-api