革命性文档处理工具text-extract-api：10分钟快速上手指南

革命性文档处理工具text-extract-api：10分钟快速上手指南

【免费下载链接】text-extract-apiDocument (PDF, Word, PPTX ...) extraction and parse API using state of the art modern OCRs + Ollama supported models. Anonymize documents. Remove PII. Convert any document or picture to structured JSON or Markdown项目地址: https://gitcode.com/gh_mirrors/te/text-extract-api

text-extract-api是一款革命性的文档处理工具，能够将PDF、Word、PPTX等各种文档或图片转换为结构化JSON或Markdown格式，同时支持匿名化处理和PII（个人身份信息）移除。本文将为您提供一个快速上手指南，帮助您在10分钟内掌握这个强大工具的基本使用方法。

为什么选择text-extract-api？

text-extract-api凭借其强大的功能和易用性，成为文档处理领域的佼佼者。它采用最先进的OCR技术和Ollama支持的模型，能够实现高精度的文档提取和解析。无论是处理发票、医疗报告还是其他复杂文档，text-extract-api都能轻松应对。

核心功能亮点

• 多格式支持：轻松处理PDF、Word、PPTX等多种文档格式以及图片
• 高精度转换：将文档转换为Markdown或JSON格式，保留原始结构和内容
• PII移除：自动识别并移除文档中的个人身份信息，保护隐私
• 本地处理：无需依赖云服务，所有处理都在本地完成，确保数据安全
• 多种OCR策略：支持llama_vision、minicpm_v、remote和easyocr等多种OCR策略

快速安装指南

前提条件

在开始之前，请确保您的系统已安装以下软件：

• Docker
• Docker Compose
• Ollama

一键安装步骤

1. 克隆仓库：

git clone https://gitcode.com/gh_mirrors/te/text-extract-api cd text-extract-api

2. 使用Makefile快速设置：

make install make run

对于GPU支持，使用：

docker-compose -f docker-compose.gpu.yml -p text-extract-api-gpu up --build

基本使用方法

准备Ollama模型

在使用text-extract-api之前，需要先拉取所需的Ollama模型：

python client/cli.py llm_pull --model llama3.1 python client/cli.py llm_pull --model llama3.2-vision

文档转换示例

MRI报告转换为Markdown和JSON

使用以下命令将MRI报告转换为Markdown和JSON格式：

python client/cli.py ocr_upload --file examples/example-mri.pdf --prompt_file examples/example-mri-2-json-prompt.txt

发票转换并移除PII

以下命令可以将发票转换为JSON格式并自动移除其中的个人身份信息：

python client/cli.py ocr_upload --file examples/example-invoice.pdf --prompt_file examples/example-invoice-remove-pii.txt

查看转换结果

转换完成后，可以使用以下命令查看结果：

python client/cli.py result --task_id {your_task_id_from_upload_step}

Web界面使用

text-extract-api还提供了一个简单易用的Web界面。启动服务后，在浏览器中访问http://localhost:8000即可打开。

在Web界面中，您可以：

• 上传PDF文件
• 输入自定义提示
• 选择OCR策略
• 查看实时转换结果

高级功能

存储策略

text-extract-api支持多种存储策略，包括本地文件系统、Google Drive和Amazon S3。您可以在storage_profiles/目录下配置不同的存储策略。

自定义OCR策略

系统支持多种OCR策略，您可以在text_extract_api/extract/strategies/目录下查看和自定义OCR策略。

CLI工具

text-extract-api提供了功能丰富的CLI工具，您可以在client/cli.py文件中查看所有可用命令。

常见问题解答

如何提高转换 accuracy？

可以尝试不同的OCR策略，如llama_vision或minicpm_v，这些策略通常能提供更高的转换 accuracy。

如何处理大型文档？

对于大型文档，建议使用--ocr_cache参数启用缓存功能，以提高后续处理速度。

支持哪些语言？

text-extract-api支持多种语言，您可以在OCR命令中使用--language参数指定，如--language en,zh,ja。

总结

text-extract-api是一款功能强大、易于使用的文档处理工具，能够帮助您快速将各种文档转换为结构化格式。通过本指南，您已经了解了如何安装和基本使用text-extract-api。如需了解更多高级功能和配置选项，请参考项目的官方文档。

现在，您已经准备好开始使用text-extract-api来处理您的文档了。祝您使用愉快！

【免费下载链接】text-extract-apiDocument (PDF, Word, PPTX ...) extraction and parse API using state of the art modern OCRs + Ollama supported models. Anonymize documents. Remove PII. Convert any document or picture to structured JSON or Markdown项目地址: https://gitcode.com/gh_mirrors/te/text-extract-api