Text-extract-api: когда нужно вытащить текст из любого документа

Представьте: вам скинули сканы договоров, прайс-листов или медицинских заключений, а вам нужно получить структурированные данные. Ручной ввод? Слишком долго. Обычный OCR? Часто ошибается с таблицами и формулами. text-extract-api решает эту проблему раз и навсегда.

Что это за инструмент?

Text-extract-api — это open-source решение на Python для конвертации документов (PDF, Word, изображений) в:

• Чистый Markdown
• Структурированный JSON

Причем делает это с впечатляющей точностью, даже для сложных случаев вроде:

• Табличных данных
• Математических формул
• Медицинских отчетов
• Финансовых документов

Главный козырь — все работает локально, без отправки ваших данных в облачные сервисы.

Почему это лучше обычного OCR?

1. Комбо из OCR и LLM

Проект использует каскадную обработку:

1. Сначала работает OCR (EasyOCR, MiniCPM-V или LLama Vision)
2. Затем LLM (например, LLama 3.1) дорабатывает результат:
   • Исправляет ошибки распознавания
   • Улучшает форматирование
   • Может удалять персональные данные (PII)

2. Полная локальность

В отличие от многих сервисов:

• Нет зависимости от облачных API
• Все модели работают локально через Docker
• Данные не уходят за пределы вашего сервера

3. Гибкость форматов

На выходе получаете:

• Markdown для вики и документации
• JSON для интеграции с другими системами

Как это работает технически?

Стек технологий:

• FastAPI — веб-интерфейс
• Celery — асинхронная обработка задач
• Redis — кэширование результатов
• Ollama — локальные LLM-модели

Поддерживаемые стратегии OCR:

1. EasyOCR — быстрый и точный для английского
2. MiniCPM-V — хорош для мультиязычных документов
3. LLama Vision — самый точный, но требовательный к ресурсам
4. Marker (как внешний сервис) — лидер точности для PDF

Практические кейсы

1. Обработка медицинских отчетов

python client/cli.py ocr_upload --file mri_report.pdf --prompt_file extract_to_json.txt

На выходе — готовый JSON с ключевыми показателями.

2. Анонимизация документов

python client/cli.py ocr_upload --file invoice.pdf --prompt_file remove_pii.txt

Удаляет персональные данные из счетов и договоров.

3. Парсинг табличных данных

Отлично справляется с Excel и PDF-таблицами, сохраняя структуру в Markdown.

Как начать использовать?

1. Клонируем репозиторий:

git clone https://github.com/CatchTheTornado/text-extract-api.git
cd text-extract-api

2. Запускаем через Docker:

docker-compose up --build

Или без Docker для Mac с M1/M2:

make install
make run

Есть и облачная демо-версия, но для рабочих проектов лучше локальный вариант.

Кому особенно пригодится?

• Разработчикам, которые интегрируют документы в свои системы
• Аналитикам, работающим с PDF-отчетами
• Юристам и бухгалтерам для обработки сканов
• Техническим писателям, конвертирующим документы в Markdown

Text-extract-api — это: ✅ Локальный (ваши данные в безопасности) ✅ Точно работающий с таблицами и формулами ✅ Гибкий (поддержка разных OCR и LLM) ✅ Открытый исходный код (MIT License)

Если вы регулярно работаете с документами в PDF/Word/сканами — этот инструмент сэкономит вам часы ручной работы.