PDF Extract API：文档提取与解析的新利器

在数字化时代，文档处理和信息提取的需求日益增长。尤其是对于企业来说，如何高效地从大量PDF文档中提取关键信息，转换成可操作的数据，成为了一个迫切需要解决的问题。今天，我要向大家介绍一个强大的工具——PDF Extract API，它能够将任何图像或PDF文件转换为Markdown文本或结构化的JSON文档，并且准确度极高，包括表格数据、数字或数学公式。

PDF Extract API简介

PDF Extract API是一个基于FastAPI构建的文档提取和解析API，它使用了Celery进行异步任务处理，并利用Redis缓存OCR结果。这个API的核心功能包括：

• 无云/外部依赖：你只需要PyTorch基础的OCR（Marker）+ Ollama，通过docker-compose进行配置，无需将数据发送到外部环境。
• PDF到Markdown转换：使用不同的OCR策略（包括marker, surya-ocr或tesseract）进行高准确度的PDF到Markdown转换。
• PDF到JSON转换：使用Ollama支持的模型（例如LLama 3.1）进行PDF到JSON的转换。
• LLM改进OCR结果：LLama在修正OCR文本中的拼写和文本问题方面表现出色。
• 移除PII：这个工具可以用来从P