GitHubDaily
@GitHub_Daily
💡 挖掘开源的价值
🧑🏻💻 坚持分享 GitHub 上高质量、有趣、实用的教程、AI工具、前沿 AI 技术
🧐 A list cool, interesting projects of GitHub.
✏️ 公众号：GitHubDaily
加入 May 2023
206 正在关注 88.1K 粉丝
给大模型喂 PDF 文档，常见做法是先跑 OCR 再提文字，但实际上有一半多的 PDF 本来就是文字版，根本不需要 OCR。
Firecrawl 团队最近开源的 pdf-inspector，能自动判断 PDF 是文字版还是扫描版，文字版的直接提取并转成 Markdown。
最快 200 毫秒内提取完成，支持表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净。
GitHub：
提供 Python、Node.js、Rust 和浏览器端四套接口，浏览器里通过 WebAssembly 直接跑，不用后端服务。
做文档处理相关开发的朋友，拿来做 PDF 前置分类和提取挺合适的。
显示更多
