pdf-extract-api：可本地运行个人信息匿名化的PDF提取工具

综合介绍

pdf-extract-api是一个文档提取和解析API，使用最先进的OCR技术和Ollama支持的模型，支持文档匿名化处理。它可以将任何文档或图片转换为结构化的JSON或Markdown，支持高精度的表格数据、数字和数学公式的提取。该API基于FastAPI构建，使用Celery进行异步任务处理，并利用Redis缓存OCR结果，确保高效和可靠的文档处理。

功能列表

• 高精度的PDF到Markdown转换
• PDF到JSON转换
• 使用LLM（如LLama 3.1）改进OCR结果
• 删除个人身份信息（PII）
• 分布式队列处理（使用Celery）
• 结果缓存（使用Redis）
• CLI工具用于发送任务和处理结果

使用帮助

安装流程

1. 克隆仓库：

   git clone https://github.com/CatchTheTornado/pdf-extract-api.git
   cd pdf-extract-api
   

2. **安装依赖** ：
确保已安装Docker和Docker Compose，然后运行以下命令：
```bash
docker-compose up

使用流程

1. 转换PDF到Markdown ：
   使用CLI工具发送任务并处理结果，例如：

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

这将把PDF文件转换为Markdown格式。

1. 转换PDF到JSON并删除PII ：

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

这将把PDF文件转换为JSON格式并删除个人身份信息。

1. 缓存OCR结果 ：
   使用Redis缓存OCR结果，提高处理效率。

详细操作流程

• 启动服务 ：确保Docker容器正常运行，服务启动后，可以通过CLI工具发送OCR任务。
• 发送任务 ：使用CLI工具发送OCR任务，指定输入文件和转换格式。
• 处理结果 ：任务完成后，结果将以指定格式输出，可以直接使用或进一步处理。

普通人的AI入门指南

帮助你以低成本、零基础学会如何利用AI工具。AI就像办公软件一样，是每个人的必备技能。 掌握AI会让你在求职中占据优势，在未来的工作和学习中事半功倍。

查看详情>