TOOL
用Kreuzberg提取文档结构
从PDF中提取结构化数据是AI基础设施中最难的问题之一。大多数工具只给你文本转储，没有标题...
DOCUMENT EXTRACTION
MODEL-ZOO
olmOCR-7B：文档提取专用模型
olmOCR在250,000页的数据集上微调了Qwen2-VL-7B-Instruct模型，旨在将PDF和文档图像转换为干净且结构化的纯文本。
APPLICATION
扫描PDF的文本提取方法
本文探讨了两种强大的方法来解决这一问题，特别是在处理复杂布局和表格时：利用视觉语言模型（VLMs）以及结合文档分割和OCR进行准确的文本提取。
MODEL-ZOO
DONUT：无需OCR的文档理解
从非结构化文档中提取数据始终是一项挑战。以前，我们曾经使用基于规则的方法来解决此类问题，现在DONUT是最先进的解决方案之一。
MODEL-ZOO
LayoutLM文档提取指南
LayoutLM 是一种革命性的模型，结合了文本识别和布局理解的强大功能，可以准确地从结构化文档中提取实体。
LIBRARY
用DSPy提取网站词汇表
本文介绍如何实用DSPy为自己的网站生成术语词汇表，这大大提高了工作效率。
LIBRARY
MarkItDown深入研究
MarkItDown 是 Microsoft 开发的 Python 包，旨在将各种文件格式转换为 Markdown。
TOOL
Unstract零代码AI文档处理平台
Unstract是一个功能强大的基于 AI 的平台，可简化文档处理。本文探讨了 AI 文档处理的来龙去脉，以及 Unstract 如何简化你企业的文档处理需求。
APPLICATION
用Gemini自动提取PDF数据
在此博客中，我们将使用 Gemini 1.5 Flash 模型和 Google Apps Script 自动执行从 PDF 中提取详细信息并填充 Google Sheet 的过程。
LIBRARY
MegaParse多模态文档解析库
MegaParse 是一款功能强大且用途广泛的解析器，可以轻松提取PDF、PPT、Excel、CSV、Word 等各种类型文档的内容。
LIBRARY
Instructor-Marvin-Guardrails
本文对比3使用 LLM 进行数据提取的开发库Instructor、Marvin 和 Guardrails的使用方法并通过对比介绍如何选择最适合你的库。
LIBRARY
ExtractThinker 文档智能处理库
ExtractThinker是一个灵活的文档智能库，可帮助你从各种文档中提取和分类结构化数据，就像文档处理工作流的 ORM 一样。