Papero извлекает структуру PDF без ML-моделей и работает прямо в браузере
Lightweight PDF parser with layout, tables, formulas and bounding boxes

Papero — открытый парсер PDF, который восстанавливает структуру документа на чистом CPU: определяет порядок чтения в многоколоночных статьях, распознаёт таблицы, превращает формулы в LaTeX, сохраняет координаты каждого блока и выгружает результат в Markdown, JSON, Word или Excel. Работает в браузере, через Python или REST API. На 54 научных статьях arXiv — ноль ошибок и 39 мс на страницу.
Getting the text out of a PDF is easy. Getting its structure back — which column comes first, which lines are a table, where the formula is — is what makes the output usable for RAG, search and LLMs.
- antonly
Только что попробовал, и результаты выглядят очень странно. Я загрузил статью MiniSat[1], и результат, похоже, катастрофически неверный: https://imgur.com/a/i3RHwcQ
- phenomen
Сейчас я использую https://github.com/firecrawl/anydoc в своих PDF-пайплайнах.
В большинстве случаев работает хорошо. Протестирую вашу библиотеку для сравнения.
- JaumeGar
Действительно отличная работа, спасибо, что поделились. Извлечение таблиц и формул выглядит превосходно.