Kreuzberg: Open-Source-Tool zum Extrahieren von Text aus beliebigen Dokumenten

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

1. Installation von Python-Paketen::

   pip install kreuzberg

2. 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

1. 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)

2. OCR-Funktion::
   • OCR eines Bildes oder einer PDF-Datei: python
ocr_text = extractor.ocr('path/to/image_or_pdf')
print(ocr_text)

3. 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)


Detaillierte Funktionsabläufe

1. PDF-Text-Extraktion::
   • Stellen Sie sicher, dass der Pfad der PDF-Datei korrekt ist.
   • ausnutzenextract_textMethode, um den Text zu extrahieren.
   • Verarbeiten Sie die extrahierten Textdaten für nachfolgende Operationen.
2. OCR-Funktion::
   • Installieren und konfigurieren Sie Tesseract-OCR.
   • ausnutzenocrMethode zur OCR-Verarbeitung von Bildern oder PDFs.
   • OCR-Ergebnisse abrufen und verarbeiten.
3. Extraktion von Nicht-PDF-Text::
   • Installieren und konfigurieren Sie Pandoc.
   • ausnutzenextract_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.