Extractous — извлекаем данные из документов с рекордной скоростью
Репозиторий давно не обновлялся
Последнее обновление было 1 год назад.
Представьте: вашему приложению нужно обрабатывать тысячи PDF, Word и Excel файлов ежедневно. Традиционные библиотеки тормозят, потребляют гигабайты памяти, а облачные API дороги и медленны. Именно эту проблему решает Extractous — инструмент для молниеносного извлечения данных, написанный на Rust.
Почему все говорят о Extractous?
Вот что делает этот проект особенным:
- 25x ускорение по сравнению с unstructured-io (см. бенчмарки)
- В 11 раз меньше потребление памяти
- Поддержка 30+ форматов — от PDF до CAD-файлов
- Встроенный OCR для распознавания текста в изображениях
Как это работает под капотом?
Разработчики пошли нестандартным путём:
- Rust-ядро обеспечивает безопасность и многопоточность
- Apache Tika (через GraalVM) даёт поддержку экзотических форматов
- Нативные биндинги позволяют использовать из Python без потерь производительности
«Мы устали от тяжёлых Python-библиотек и облачных API. Extractous делает всё локально — быстро и без лишних зависимостей»
5 кейсов, где Extractous незаменим
- Обработка финансовых отчётов — мгновенное извлечение таблиц из SEC filings
- Юридические документы — поиск по тысячам PDF-договоров
- Data Science — подготовка текстов для NLP-моделей
- Архивы документов — индексация устаревших форматов (RTF, DOC)
- Мобильные приложения — компактная библиотека для обработки вложений
Как начать использовать?
Установка для Python (есть и Rust-версия):
pip install extractous
Пример извлечения текста из PDF:
from extractous import Extractor
extractor = Extractor()
text, metadata = extractor.extract_file_to_string("contract.pdf")
print(f"Извлекли {len(text)} символов из {metadata['file_type']}")
Когда стоит попробовать?
Extractous идеален, если вы:
- Работаете с большими объёмами документов
- Хотите избавиться от облачных API
- Цените скорость и низкое потребление памяти
- Нуждаетесь в поддержке редких форматов
Проект активно развивается — уже доступны Python-биндинги, в планах поддержка JavaScript/TypeScript. Лицензия Apache 2.0 позволяет использовать даже в коммерческих продуктах.
Ссылки для изучения:
