Repolode
Предложить
huridocs

huridocs/pdf-document-layout-analysis

Микросервис в Docker и интерфейс Gradio для сегментации страниц PDF на заголовки, текст, таблицы, изображения и другие элементы, распознавания текста и преобразования в Markdown/HTML.

Open source альтернатива:Adobe Acrobat

Открыть на GitHub
Звёзды
1,357
Форки
148
Открытые issues
14
Последний коммит
13 дней назад

Что это?

Этот проект — микросервис для анализа структуры PDF. Он сегментирует каждую страницу на элементы, например заголовки, текст, таблицы, изображения, формулы, подписи, колонтитулы, и классифицирует их. Кроме того, он определяет порядок чтения элементов, чтобы результаты можно было использовать для дальнейшей обработки.

Помимо анализа, сервис поддерживает OCR с помощью Tesseract и ocrmypdf, извлечение таблиц в HTML и формул в LaTeX, а также преобразование PDF в Markdown или HTML. Перевод преобразованных документов на другие языки выполняется с помощью моделей Ollama. В проект входят веб-интерфейс Gradio и REST API; сервис запускается в Docker и при необходимости может использовать GPU.

Доступны две модели: VGT — модель на основе компьютерного зрения, которая точнее, но для высокой скорости ей нужен GPU; и модели LightGBM, которые работают на CPU, используют признаки из XML Poppler и работают быстрее, но несколько уступают в точности.

Ключевые возможности

  • 01Классифицирует элементы страниц по 11 типам, включая заголовки, текст, таблицы, изображения и формулы.
  • 02Распознаёт текст в сканированных PDF; доступны поворот и выравнивание страниц.
  • 03Преобразует PDF в Markdown или HTML и при необходимости переводит результат с помощью Ollama.
  • 04Извлекает таблицы в HTML, а формулы — в LaTeX.
  • 05Предоставляет веб-интерфейс Gradio и REST API.

Сценарии использования

  • Предварительная обработка PDF-отчётов и научных статей перед индексацией или поиском.
  • Преобразование отсканированных документов в PDF с возможностью поиска с помощью OCR.
  • Извлечение оглавления или структурированного текста из длинных документов.
  • Перевод преобразованных документов в Markdown или HTML на несколько языков.

Темы

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

Частые вопросы

Что такое pdf-document-layout-analysis?
Микросервис в Docker и интерфейс Gradio для сегментации страниц PDF на заголовки, текст, таблицы, изображения и другие элементы, распознавания текста и преобразования в Markdown/HTML. Этот проект — микросервис для анализа структуры PDF. Он сегментирует каждую страницу на элементы, например заголовки, текст, таблицы, изображения, формулы, подписи, колонтитулы, и классифицирует их. Кроме того, он определяет порядок чтения элементов, чтобы результаты можно было использовать для дальнейшей обработки.
pdf-document-layout-analysis можно использовать бесплатно? Какая у него лицензия?
pdf-document-layout-analysis распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
pdf-document-layout-analysis всё ещё поддерживается?
Активно поддерживается. Последний коммит в pdf-document-layout-analysis — 6 окт. 2026 г..
Для чего можно использовать pdf-document-layout-analysis?
Предварительная обработка PDF-отчётов и научных статей перед индексацией или поиском. Преобразование отсканированных документов в PDF с возможностью поиска с помощью OCR. Извлечение оглавления или структурированного текста из длинных документов. Перевод преобразованных документов в Markdown или HTML на несколько языков.
Где скачать pdf-document-layout-analysis?
Исходный код и инструкции по установке — на GitHub: https://github.com/huridocs/pdf-document-layout-analysis

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

Stirling-Tools / Stirling-PDF

Самостоятельно размещаемая open-source платформа для работы с PDF: редактирование, подпись, скрытие данных, конвертация и автоматизация в браузере, на компьютере или через API.

Продуктивность и приложения#pdf#self-hosted#pdf-editor
94,5 тыс.11,8 тыс.TypeScriptOtherОбновлён 4 часа назад

CatchTheTornado / 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.

ИИ и машинное обучение#ocr#pdf#document-extraction
3,2 тыс.279PythonMITОбновлён 10 месяцев назад

alam00000 / bentopdf

Конфиденциальный набор инструментов для работы с PDF прямо в браузере: более 50 функций для редактирования, объединения, конвертации и защиты PDF, с возможностью самостоятельного размещения.

Продуктивность и приложения#pdf#privacy#self-hosted
16,1 тыс.1,4 тыс.JavaScriptAGPL-3.0Обновлён 5 часов назад