Vision Parse: интеллектуальное преобразование PDF-документов в формат Markdown с помощью моделей визуального языка

Общее введение

Vision Parse - это революционный инструмент для обработки документов, в котором умело сочетаются современные технологии визуального моделирования языка (Vision Language Models) для интеллектуального преобразования PDF-документов в высококачественный контент формата Markdown. Инструмент поддерживает множество лучших визуальных языковых моделей, включая OpenAI, LLama и Google Gemini и т.д., может точно извлекать текст и таблицы в документе, сохранять иерархическую структуру исходного документа, стиль и отступы.Vision Parse не только поддерживает многостраничную обработку PDF, но и предоставляет локальные варианты развертывания модели, так что пользователи могут быть в то же время, чтобы гарантировать безопасность документа. автономная обработка. Его простой дизайн API позволяет разработчикам выполнять сложные задачи по преобразованию документов с помощью всего нескольких строк кода, значительно повышая эффективность и точность обработки документов.

Список функций

• Интеллектуальное извлечение содержимого: используйте усовершенствованные визуальные языковые модели для точного распознавания и извлечения текста и содержимого таблиц.
• Целостность форматирования: полностью сохраняет иерархию документов, стили и форматирование отступов
• Поддержка нескольких моделей: совместимость с OpenAI, LLama, Gemini и другими поставщиками визуальных языковых моделей
• Обработка многостраничных PDF: поддержка многостраничных PDF-документов, которые будут преобразованы в base64-кодированные изображения для обработки
• Локальное развертывание моделей: поддержка локального развертывания моделей через Ollama для обеспечения безопасности документов и автономного использования.
• Пользовательская настройка: поддержка пользовательских параметров обработки PDF, таких как DPI, цветовое пространство и т. д.
• Гибкий API: предоставляет простой и интуитивно понятный интерфейс API на языке Python

Использование помощи

1. Подготовка к установке

Основные требования:

• Python 3.9 или выше
• Чтобы использовать локальную модель, необходимо установить Ollama.
• Для использования OpenAI или Google Gemini требуется соответствующий ключ API

Этапы установки:

1. Используйте pip для установки базового пакета:

pip install vision-parse

2. При необходимости установите дополнительные зависимости:

• Поддержка OpenAI:pip install 'vision-parse[openai]'
• Поддержка Близнецов:pip install 'vision-parse[gemini]'

2. Основное использование

Код примера:

from vision_parse import VisionParser
# 初始化解析器
parser = VisionParser(
model_name="llama3.2-vision:11b",  # 使用本地模型
temperature=0.4,
top_p=0.3,
extraction_complexity=False  # 设置为True获取更详细的提取结果
)
# 转换PDF文件
pdf_path = "your_document.pdf"
markdown_pages = parser.convert_pdf(pdf_path)
# 处理转换结果
for i, page_content in enumerate(markdown_pages):
print(f"\n--- 第 {i+1} 页 ---\n{page_content}")

3. Расширенная настройка

Конфигурация страниц PDF:

from vision_parse import VisionParser, PDFPageConfig
# 配置PDF处理设置
page_config = PDFPageConfig(
dpi=400,
color_space="RGB",
include_annotations=True,
preserve_transparency=False
)
# 使用自定义配置初始化解析器
parser = VisionParser(
model_name="llama3.2-vision:11b",
temperature=0.7,
top_p=0.4,
page_config=page_config
)

4. Поддерживающие модели

Vision Parse поддерживает широкий спектр основных моделей визуального языка:

• Модели OpenAI: gpt-4o, gpt-4o-mini
• Модели Google Gemini: gemini-1.5-flash, gemini-2.0-flash-exp, gemini-1.5-pro
• Мета-Ллама и Ллава (через Олламу): llava:13b, llava:34b, llama3.2-vision:11b, llama3.2-vision:70b

5. Техника использования

• Выбор правильной модели: выберите локальную модель или облачный сервис в соответствии с вашими потребностями
• Настройка параметров: креативность и точность выхода регулируется параметрами температуры и top_p.
• Сложность извлечения: для сложных документов рекомендуется установить значение extraction_complexity=True
• Локальное развертывание: чувствительная документация предлагает использовать Ollama для локального развертывания моделей
• Конфигурация PDF: в соответствии с характеристиками документа настройка DPI, цветового пространства и других параметров