Pdf-extract-API

Python-проект, который уже давно используют для извлечения текста из PDF и изображений в удобных форматах Markdown и JSON.

Отличается высокой точностью и умеет работать даже с таблицами и формулами.

В основе FastAPI, асинхронные задачи на Celery и кэширование результатов OCR через Redis. Поддерживаются разные движки распознавания - Marker, Surya-OCR и Tesseract. Есть встроенная функция удаления персональных данных.

Инструмент всё ещё актуален для автоматизации обработки документов, подготовки датасетов и интеграции в RAG-системы. 🪑

Доки: ссылка

👉 @PythonPortal