huridocs/pdf-document-layout-analysis

解决的问题

此项目提供了一个用于智能 PDF 版面分析的微服务，让用户能将复杂的 PDF 文档转换为 Markdown 或 HTML 等结构化格式，同时保留阅读顺序并识别特定内容类型（如标题、表格和公式）。

运作方式

该服务结合了多种机器学习模型来分割和分类 PDF 内容。它提供 Vision Grid Transformer (VGT) 以实现高准确度，或 LightGBM 以实现更快的处理速度。它整合了 Tesseract OCR 以支持超过 150 种语言，并使用 Ollama 驱动的模型将提取的内容自动翻译成多种目标语言。

适用对象

专为需要以程序化方式从 PDF 中提取结构化数据的开发人员和组织而设计，也适合偏好通过 Gradio 网页界面进行文档转换和翻译的用户。

特色亮点

• 多模型分析：可选择高准确度的 VGT 或高速的 LightGBM 模型。
• 结构化导出：将 PDF 转换为 Markdown 或 HTML，包含公式的 LaTeX 和表格的 HTML。
• 整合翻译：使用 Ollama 模型进行自动文档翻译，同时保留格式。
• 完整工具链：包含 REST API、Gradio 网页界面以及支持 GPU 加速的 Docker。
• OCR 功能：支持 150 多种语言，并具备页面旋转和校正功能。