# pdf

Extractous是一個用Rust編寫的非結構化數據提取工具，提供多語言綁定。它專注於從各種文件類型（如PDF、Word、HTML等）中提取內容和元數據，並且性能優異，內存佔用低。Extractous通過原生代碼執行實現快速處理速度和低內存使用，支持多種文件格式，並集成了Apache Tika和tesseract-ocr技術，使其能夠處理廣泛的文件類型並進行OCR識別。該工具的開源性質和Apache 2.0許可使其可以免費用於商業用途，適合需要處理大量文檔數據的企業和開發者。

pdf-extract-api是一個使用現代OCR技術和Ollama支持的模型將任何文檔或圖片轉換為結構化的JSON或Markdown文本的API。它使用FastAPI構建，並使用Celery進行異步任務處理，Redis用於緩存OCR結果。該API無需雲或外部依賴，所有處理都在本地開發或服務器環境中完成，確保數據安全。它支持PDF到Markdown的高精度轉換，包括表格數據、數字或數學公式，並且可以使用Ollama支持的模型進行PDF到JSON的轉換。此外，該API還支持LLM改進OCR結果，去除PDF中的個人身份信息（PII），以及分佈式隊列處理和緩存。

IncarnaMind是一個開源項目，旨在通過大型語言模型（LLMs）如GPT、Claude和本地開源LLMs，實現與個人文檔（PDF、TXT）的交互對話。該項目利用滑動窗口分塊機制和集成檢索器，提高查詢效率，增強LLMs的準確性。它支持多文檔對話問答，突破了單文檔限制，併兼容多種文件格式和LLM模型。