Allgemeine Einführung
Kreuzberg ist eine Bibliothek zur Vereinfachung der Textextraktion aus PDF-Dateien, entwickelt, um eine einfache, problemlose Lösung zur Textextraktion zu bieten. Die Bibliothek eignet sich besonders gut für RAG-Dienste (Retrieval-Augmented Generation), die eine Textextraktion erfordern.Kreuzberg unterstützt den lokalen Betrieb, ist einfach zu steuern und kostengünstig. Sie kombiniert eine Vielzahl von Open-Source- und kommerziellen Optionen, um flexible Textextraktionsmöglichkeiten zu bieten.
Funktionsliste
- PDF-Text-ExtraktionExtrahieren von Textinhalten aus PDF-Dateien.
- Bild/PDF OCRTesseract-OCR: Optische Zeichenerkennung von Bildern und PDFs mit Tesseract-OCR.
- Extraktion von Nicht-PDF-TextPandoc: Extraktion von Text in anderen Formaten über Pandoc.
- lokaler BetriebUnterstützt lokale Installation und Bedienung, einfache Steuerung und Verwaltung.
- Quelloffen und kostenlos: Basiert auf der MIT-Lizenz, Open Source, kostenlos.
Hilfe verwenden
Einbauverfahren
- Installation von Python-Paketen::
pip install kreuzberg
- Installation von Systemabhängigkeiten::
- Pandocfür Nicht-PDF-Textextraktion (GPL v2.0-Lizenz, nur als CLI verwendet).
- Tesseract-OCROCR für Bilder und PDFs (Apache-Lizenz).
Leitlinien für die Verwendung
- Grundlegende Verwendung::
- Importieren Sie die Bibliothek und initialisieren Sie sie:
python
from kreuzberg import Kreuzberg
extractor = Kreuzberg()
- PDF-Text extrahieren:
python
text = extractor.extract_text('path/to/pdf/file.pdf')
print(text)
- Importieren Sie die Bibliothek und initialisieren Sie sie:
- OCR-Funktion::
- OCR eines Bildes oder einer PDF-Datei:
python
ocr_text = extractor.ocr('path/to/image_or_pdf')
print(ocr_text)
- OCR eines Bildes oder einer PDF-Datei:
- Extraktion von Nicht-PDF-Text::
- Verwenden Sie Pandoc, um Text in anderen Formaten zu extrahieren:
python
other_text = extractor.extract_text('path/to/other/file')
print(other_text)
- Verwenden Sie Pandoc, um Text in anderen Formaten zu extrahieren:
Detaillierte Funktionsabläufe
- PDF-Text-Extraktion::
- Stellen Sie sicher, dass der Pfad der PDF-Datei korrekt ist.
- ausnutzen
extract_textMethode, um den Text zu extrahieren. - Verarbeiten Sie die extrahierten Textdaten für nachfolgende Operationen.
- OCR-Funktion::
- Installieren und konfigurieren Sie Tesseract-OCR.
- ausnutzen
ocrMethode zur OCR-Verarbeitung von Bildern oder PDFs. - OCR-Ergebnisse abrufen und verarbeiten.
- Extraktion von Nicht-PDF-Text::
- Installieren und konfigurieren Sie Pandoc.
- ausnutzen
extract_textMethode, um Text in anderen Formaten zu extrahieren. - Verarbeiten Sie die extrahierten Textdaten für nachfolgende Operationen.
Durch die oben beschriebenen Schritte können die Benutzer leicht mit Kreuzberg Textextraktionsoperationen beginnen, um eine Vielzahl von Textverarbeitungsanforderungen zu erfüllen.
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Kreuzberg: Open-Source-Tool zum Extrahieren von Text aus beliebigen Dokumenten
Deutsch 
简体中文 
English 
日本語 
Português do Brasil