text-extract-api
Document (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 JSO
3.1k
Stars
+256
Stars/month
0
Releases (6m)
Overview
text-extract-api 是一个基于 FastAPI 的文档提取和解析 API，专注于将 PDF、Word、PowerPoint 等文档转换为 Markdown 文本或结构化 JSON。该工具使用最先进的 OCR 技术，包括 EasyOCR、LLaMA 3.2 Vision、MiniCPM-V 等多种策略，确保极高的文档识别精度。所有处理都在本地环境中进行，无需外部云服务，保障数据隐私。工具集成了 Ollama 模型来改进 OCR 结果质量，修正拼写和文本错误，并提供 PII（个人身份信息）移除功能。通过 Celery 实现分布式队列处理，支持大量文档的异步处理，Redis 提供缓存机制以优化性能。特别适用于需要高精度文档数字化、数据提取和隐私保护的场景，如医疗报告处理、财务文档分析、合规性文档审查等。
Pros
- + 完全本地化处理，无外部依赖，确保数据隐私和安全性
- + 支持多种先进OCR策略（LLaMA Vision、EasyOCR等），识别精度极高
- + 集成分布式队列和缓存机制，支持大规模文档批量处理
Cons
- - 需要安装多个依赖组件（Docker、Ollama），初始设置较为复杂
- - 本地运行PyTorch模型需要较大计算资源和存储空间
Use Cases
- • 医疗机构将MRI报告、病历等医疗文档转换为结构化数据
- • 企业财务部门处理发票、合同等文档并自动移除敏感信息
- • 法律机构批量数字化和分析大量合规文档或法律条文
Getting Started
1. 安装Docker和Ollama到本地环境；2. 克隆项目并使用docker-compose启动API服务和Redis缓存；3. 使用CLI工具上传文档文件并指定转换格式开始处理