pdfdeal

<div align=center> <h1 aligh="center"> <img src="https://github.com/Menghuan1918/pdfdeal/assets/122662527/837cfd7f-4546-4b44-a199-d826d78784fc" width="45"> pdfdeal </h1>

更好的RAG效果！

GitHub许可证 PyPI - 版本 GitHub仓库星标

<br>

📄文档

🗺️ ENGLISH | 简体中文

</div>

更简单易用地处理PDF，利用Doc2X强大的文档转换能力进行保留格式的文件转换/RAG增强。

介绍

Doc2X支持

Doc2X是一款新型的通用文档OCR工具，可以将图像或PDF文件转换为带有公式和文本格式的Markdown/LaTeX文本。在大多数场景下，它的表现优于类似工具。pdfdeal提供了抽象封装的类来使用Doc2X进行请求。

处理PDF

使用各种OCR或PDF识别工具识别图像并将其添加到原始文本中。您可以将输出格式设置为PDF，这将确保识别的文本在新PDF中保持与原始页码相同。它还提供了各种实用的文件处理工具。

使用Doc2X转换和预处理PDF后，与graphrag、Dify和FastGPT等知识库应用一起使用时，可以获得更好的识别率。

案例

graphrag

请参阅如何与graphrag一起使用，它不支持识别pdf，但您可以使用CLI工具doc2x将其转换为txt文档以供使用。

Fastgpt/Dify或其他RAG系统

对于知识库应用，您可以使用pdfdeal内置的各种文档增强功能，如将图像上传到远程存储服务、按段落添加换行等。请参阅与RAG应用集成。

RAG系统插件集成

您可以在FastGPT 4.8.9及以后版本中找到支持PDF/图像转换的Doc2X插件。

文档

详情请参阅文档

或查看文档仓库pdfdeal-docs。

快速开始

详情请参阅文档

安装

从PyPI安装：

pip install --upgrade pdfdeal

使用Doc2X作为PDF处理工具

from pdfdeal import Doc2X
from pdfdeal import get_files

client = Doc2X()
file_list, rename = get_files(path="tests/pdf", mode="pdf", out="pdf")
success, failed, flag = client.pdfdeal(
    pdf_file=file_list,
    output_path="./Output/test/multiple/pdfdeal",
    output_names=rename,
)
print(success)
print(failed)
print(flag)

使用pytesseract作为OCR引擎

使用"pytesseract"时，请确保先安装tesseract：

pip install 'pdfdeal[pytesseract]'

from pdfdeal import deal_pdf, get_files

files, rename = get_files("tests/pdf", "pdf", "md")
output_path, failed, flag = deal_pdf(
    pdf_file=files,
    output_format="md",
    ocr="pytesseract",
    language=["eng"],
    output_path="Output",
    output_names=rename,
)
for f in output_path:
    print(f"已将处理后的文件保存至 {f}")