Библиотека Python, которая с помощью LLM преобразует PDF, изображения и другие документы в проверенные объекты Pydantic, а также классифицирует и разделяет документы.
ExtractThinker — библиотека Python для извлечения типизированных данных из документов. Вы описываете нужные поля в контракте Pydantic, выбираете загрузчик документов и LLM, а библиотека загружает и классифицирует содержимое, разделяет его и извлекает данные в объект с проверенной схемой.
Библиотека охватывает основные этапы обработки документов: загрузчики для PDF, изображений, таблиц и электронных таблиц, классификацию и разделение смешанных наборов документов, а также стратегии завершения для длинных входных данных и неполных ответов модели. Локальные модели можно использовать через Ollama. В основную ветку также добавлены поиск страниц с помощью SQLite, параллельное извлечение полей, маршрутизация моделей, локальная маскировка сущностей и сервис MCP. Эти возможности пока не вошли в релиз на PyPI — для их использования нужно установить библиотеку из checkout.
Проверка схемы не гарантирует правильность извлечённых значений, поэтому результаты следует оценивать на собственных документах. При извлечении данных отправляются запросы настроенному провайдеру модели, за которые может взиматься плата.
Установите библиотеку из PyPI
pip install extract-thinkerЗадайте EXTRACT_THINKER_MODEL и API-ключ провайдера, затем запустите пример скрипта для извлечения
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Библиотека Python с открытым исходным кодом, которая разбивает PDF, HTML, документы Word, письма и другие файлы на структурированные элементы для конвейеров LLM.
Парсер документов с открытым исходным кодом: преобразует PDF, файлы Office, HTML и другие форматы в структурированные данные для генеративных AI-пайплайнов.
Парсер документов с открытым исходным кодом, который преобразует PDF, файлы Office и изображения в Markdown или JSON для LLM и агентных сценариев.
Парсер документов, преобразующий PDF, Word, PowerPoint, Excel и CSV в текст для LLM и стремящийся сохранить исходное содержимое.
API для обработки документов на собственном сервере: превращает PDF, файлы Office и изображения в готовые для LLM фрагменты с анализом структуры и OCR.
Парсер PDF с открытым исходным кодом: преобразует документы в Markdown, JSON с координатами элементов и HTML для AI-пайплайнов, а также автоматически добавляет теги в документы без тегов.