huridocs/pdf-document-layout-analysis

解決的問題

此專案提供了一個用於智慧 PDF 版面分析的微服務，讓使用者能將複雜的 PDF 文件轉換為 Markdown 或 HTML 等結構化格式，同時保留閱讀順序並識別特定內容類型（如標題、表格和公式）。

運作方式

該服務結合了多種機器學習模型來分割和分類 PDF 內容。它提供 Vision Grid Transformer (VGT) 以實現高準確度，或 LightGBM 以實現更快的處理速度。它整合了 Tesseract OCR 以支援超過 150 種語言，並使用 Ollama 驅動的模型將提取的內容自動翻譯成多種目標語言。

適用對象

專為需要以程式化方式從 PDF 中提取結構化資料的開發人員和組織而設計，也適合偏好透過 Gradio 網頁介面進行文件轉換和翻譯的使用者。

特色亮點

• 多模型分析：可選擇高準確度的 VGT 或高速的 LightGBM 模型。
• 結構化匯出：將 PDF 轉換為 Markdown 或 HTML，包含公式的 LaTeX 和表格的 HTML。
• 整合翻譯：使用 Ollama 模型進行自動文件翻譯，同時保留格式。
• 完整工具鏈：包含 REST API、Gradio 網頁介面以及支援 GPU 加速的 Docker。
• OCR 功能：支援 150 多種語言，並具備頁面旋轉和校正功能。