Ren
@Ryrenz
🇺🇸 美国全栈程序员 💻
⚙️ 整理小白能懂的优质 AI 教程 📚
📢 持续挖掘实用的 AI 提效方式 🤖
💰 分享我关于投资、副业、职场的思考 🧠
📝 开源我所有的内容创作与 AI 变现经验 📈
가입 March 2025
678 팔로잉 중 10.8K 팬
🔍 扫描件里的文字和表格，它能连结构一起扒出来
俄罗斯科学院系统编程研究所出品，有两篇学术论文支撑
处理一堆合同、报告、发票的时候，光把文字 OCR 出来不够用。你要的是"这份文件有哪几个章节、哪一段属于哪个标题下、这张表第三行第二列是什么"，普通 OCR 给你一大坨纯文本，结构全丢了，后面还得人来重排。
Dedoc 的定位是文档解析，不只是识别。它输出文本、表格、格式、元数据和逻辑结构，标题和列表用树形结构表示，父子关系是保留的。格式吃得很杂：DOC、DOCX、ODT、XLS、XLSX、CSV、TXT、JSON、HTML、PDF、图像和压缩包都行，带文本层的 PDF、扫描图像和没有文本层的 PDF 都能处理，扫描件走 Tesseract OCR 配合机器学习和图像处理，方向歪了能自动校正。
接入方式给了三种：REST API、Docker 镜像和 Python 包，做成流水线里的一环很方便。
边界也说明了：扫描表格只能识别有明确边界的那种，扫描文档处理范围限于黑白文档。项目来自俄罗斯科学院系统编程研究所，2022 年拿过俄罗斯创新援助基金会的 AI 项目资助，2023 和 2024 年各发了一篇论文。Apache 2.0 协议。
识别出字只是开始，还原出结构才有用。
GitHub：
더 보기
