extractous

При построении баз знаний и обучении моделей часто необходимо извлекать текстовое содержимое из различных документов и преобразовывать его в структурированные Markdown-документы, которые крупные модели могут лучше обрабатывать.

Недавно я обнаружил ещё один мощный инструмент для парсинга документов на GitHub — Extractous, который позволяет быстро и эффективно извлекать содержимое из файлов в разных форматах.

На данный момент поддерживаются документы форматов PDF, Word, Excel, PowerPoint, а также возможна извлечения текста из изображений с помощью OCR.

Что касается производительности, инструмент работает очень хорошо, низкое потребление памяти и высокая скорость обработки, в 25 раз быстрее, чем известная библиотека unstructured-io.

Он предоставляет простой и удобный API, позволяющий быстро извлекать текст и метаданные. Всем, кому это необходимо, стоит попробовать.

📁 Language: #Rust 69.3%

⭐️ Stars: 1.5k

➡️ Cсылка на GitHub

📱 @git_developer