CatchTheTornado/text-extract-api

这是什么？

核心功能

• 01将图片、PDF 和 Office 文档转换为 Markdown 或 JSON。
• 02提供 EasyOCR、MiniCPM-V、Llama 3.2 Vision 和远程 marker-pdf 等 OCR 策略。
• 03通过 Ollama 托管的模型修正 OCR 文本并提取结构化数据。
• 04可通过提示词去除文档中的个人敏感信息。
• 05使用 Celery 异步处理任务，并用 Redis 缓存 OCR 结果。
• 06通过存储配置将结果保存到本地磁盘、Google Drive 或 Amazon S3。

适用场景

• 将扫描的发票或报告转换为结构化 JSON，供下游系统使用。
• 在共享或归档文档前去除其中的个人信息。
• 在无法让文件离开内网的环境中进行本地文档 OCR。
• 构建文档摄入 API，为 RAG 或搜索流程提供文本。

快速上手

1. 1

   克隆仓库

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

   进入项目目录

   cd text-extract-api
3. 3

   使用 Docker Compose 启动所有服务

   docker-compose up --build

使用前须知

• !本地 OCR 模型和 Ollama 大模型需要较高硬件配置，其中 llama_vision 策略因参数量达 90B 而非常慢。
• !marker-pdf 远程策略采用 GPL3 许可证且不随项目捆绑，其模型权重also有非商业使用限制。

标签

常见问题

text-extract-api 是什么？

自托管的 FastAPI 服务，结合 OCR 与 Ollama 模型，将 PDF、图片和 Office 文档转换为 Markdown 或结构化 JSON，并可脱敏。 text-extract-api 是一个文档提取服务，可将图片、PDF 和 Office 文件转换为 Markdown 文本或结构化 JSON。它基于 FastAPI 构建，使用 Celery 处理异步任务，并用 Redis 缓存 OCR 结果。项目提供多种 OCR 策略，包括 EasyOCR、通过 Ollama 运行的 MiniCPM-V 和 Llama 3.2 Vision，以及调用外部 marker-pdf 服务的远程策略。

text-extract-api 可以免费使用吗？用的什么许可证？

text-extract-api 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。

text-extract-api 还在维护吗？

超过半年未提交。text-extract-api 最近一次提交是在 2025年12月8日。

text-extract-api 适合用来做什么？

将扫描的发票或报告转换为结构化 JSON，供下游系统使用。 在共享或归档文档前去除其中的个人信息。 在无法让文件离开内网的环境中进行本地文档 OCR。 构建文档摄入 API，为 RAG 或搜索流程提供文本。

text-extract-api 怎么安装和运行？

克隆仓库: git clone https://github.com/CatchTheTornado/text-extract-api.git 进入项目目录: cd text-extract-api 使用 Docker Compose 启动所有服务: docker-compose up --build

在哪里获取 text-extract-api？

源代码和安装说明在 GitHub 上：https://github.com/CatchTheTornado/text-extract-api