enoch3712/ExtractThinker

解决的问题

ExtractThinker 简化了将非结构化文档（如 PDF、图像和电子表格）转换为结构化、已验证 Python 对象的流程。它允许用户使用 Pydantic 合约定义所需的数据模式，从而免去了编写复杂解析逻辑的手动工作。

工作原理

该库结合了文档加载器、LLM 和 Pydantic 进行验证。用户定义一个 Contract 类来指定他们想要提取的字段和约束。然后，Extractor 通过选定的解析器加载文档，通过 LLM 处理文本，并将输出映射到已验证的 Pydantic 对象。对于复杂的工作流程，它还包括用于文档分类、拆分混合文档包以及通过完成策略处理长输入的工具。

目标用户

它专为需要从各种文档格式中提取特定数据，并确保所得数据符合严格类型和值模式的开发人员而设计。

特点

• 类型化数据提取：使用 Pydantic 合约确保提取的数据经过验证且具有类型。
• 文档多样性：支持多种用于 PDF、图像、表格和电子表格的加载器（包括 PyMuPDF、Camelot、Tabula 和 Adobe）。
• 工作流工具：内置文档分类和拆分功能。
• 灵活的 LLM 集成：通过 Ollama 与各种提供商和本地模型兼容。
• 高级功能：提供并行字段提取、使用 SQLite 的页面检索以及 MCP 服务。