将 PDF 文档转换为 JSON 和 Markdown:Docling

文章预览

项目shix简介 Docling 将 PDF 文档转换为 JSON 和 Markdown 捆绑在一个简单、独立的包中。 主要特点 👇 ⚡ 快速稳定将任何 PDF 文档转换为 JSON 或 Markdown 📑 理解详细的页面布局、阅读顺序，并恢复表格结构 📝 从文档中提取元数据，如标题、作者、引用和语言 🔍 可选择性地应用 OCR（用于扫描版 PDF） 实现原理 通过技术报告，可以看到它的实现原理👇 https://arxiv.org/pdf/2408.09869 - PDF 解析: -- 使用 PDF 后端检索程序化文本标记 (包括字符串内容和页面坐标)。 -- 渲染每页的位图图像以支持下游操作。 - 模型流水线: -- 对文档的每一页独立应用一系列 AI 模型来提取特征和内容，主要包括布局分析和表格结构识别。 -- 布局分析模型: 基于 RT-DETR 架构，在 DocLayNet 数据集上训练。 -- TableFormer: 用于表格结构恢复的视觉-transformer 模型。 -- OCR: 可选支持，默认使用 EasyOC ………………………………