Folia
← 返回头版

轻量级PDF解析器支持保留布局、表格、公式和边界框

Papero是一款轻量级开源PDF解析工具,可将PDF文档转换为Markdown、JSON、Word和Excel等多种格式,同时完整保留原始布局、表格、公式、图形及各元素的位置信息1。该项目由Beatriz Almeida开发,采用MIT许可证发布,GitHub仓库为beatrizalmeidaf/papero-pdf-text-extractor1。

该工具运行于CPU之上,无需任何机器学习模型支持,提供浏览器应用、Python库和API三种使用方式1。在笔记本CPU上处理密集型arXiv论文时表现稳定,54篇论文的测试中失败率为0,中位处理速度为39毫秒/页1。Papero采用双引擎架构同时运行,包括PDFium上的布局引擎和Apache Tika(支持光学字符识别、元数据提取及非PDF格式处理)1。用户可通过pip install pdf-text-api命令安装,或使用浏览器应用和Docker部署等方式1。


评论