首页 > 其他分享 >【PDF提取神器】最新推出的PymuPDF4llm库 可提取pdf中的文字/表格/图像/单词

【PDF提取神器】最新推出的PymuPDF4llm库 可提取pdf中的文字/表格/图像/单词

时间:2024-11-07 15:47:49浏览次数:7  
标签:md markdown 提取 文档 PymuPDF4llm pdf pymupdf4llm

目录

前言

安装Pymupdf4llm

多模态具体应用

API 文档


前言

PymuPDF4llm 是最新推出的pdf提取工具,针对LLM进行了专门优化,它支持markdown提取和LlamaIndex文档输出,可以准确提取pdf中的结构化数据,包括文字/表格/图像/单词,其中文字以markdown的形式提取,图像则以路径的形式插入到文字中并且存储在对应路径中。使用PymuPDF4llm 获取多模态数据后,多模态LLM可以利用各种图文信息来执行更多样的任务,提高应用程序的性能。在试用之后发现文字和图像的识别效果很不错,表格和单词由于场景较少所以暂时没有直观体验。


安装Pymupdf4llm

pip install pymupdf4llm

简单使用,提取markdown格式文本:

import pymupdf4llm

# 提取 markdown 格式的文本

md_text = pymupdf4llm.to_markdown(doc="input.pdf")

print(md_text)

# 存储为 markdown 格式的文件

import pathlib

output_file = pathlib.Path("output.md")

output_file.write_bytes(md_text.encode())

复杂使用,提取文本、图像、表格、单词并以字典形式保存。扩展 to_markdown 函数的参数:

md_text = pymupdf4llm.to_markdown(doc="input.pdf",  # 输入文档
                                                             pages = [0, 1, 2],  # 选中页码
                                                             page_chunks = True,  # 进行chunk切分
                                                             write_images = True,  # 提取图片
                                                             image_path = "/content/images",  # 图片保存路径
                                                             image_format = "jpg",  # 图片保存格式
                                                             dpi = 200,  # 图片分辨率
                                                             extract_words = True)  # 提取单词

多模态具体应用

更多详细信息可阅读以下实践和api文档 

Building a Multimodal LLM Application with PyMuPDF4LLM

API 文档

https://pymupdf.readthedocs.io/en/latest/pymupdf4llm/index.html

标签:md,markdown,提取,文档,PymuPDF4llm,pdf,pymupdf4llm
From: https://blog.csdn.net/m0_68116052/article/details/143595565

相关文章

  • HTML 转 PDF API 接口
    HTML转PDFAPI接口网络工具/文件处理支持网页转PDF高效生成PDF/提供永久链接。1.产品功能超高性能转换效率;支持将传递的HTML转换为PDF,支持转换HTML中的CSS格式;支持传递网站URL,直接转换页面成对应的PDF文件;转换后的PDF提供永久存储文件地址;全接口......
  • 平面点云凹边界提取
    目录1原理介绍        α-shape的基础概念数学公式推导2.1外接圆半径2.2根据α参数筛选三角形2.3构建α-shape2.4参数调整与优化3α-shape的构建步骤4示例代码        取点云的凹边界是计算几何中的一个经典问题。凹边界与凸边界不同,它......
  • 【活字格插件】OFD转PDF
           在当今信息化、数字化迅速发展的时代,文档的处理与流转已成为办公自动化的重要组成部分。不同文档格式之间的转换,尤其是从专业格式到通用格式的转换,是保证信息流通性和兼容性的关键步骤之一。                OFD(OpenFixed-layoutDocument......
  • 抖音新店批量提取工具新开店铺采集软件深度研究
    importrequestsimportjson假设的API端点(这不是抖音的API,只是一个示例)API_ENDPOINT="https://api.example.com/shops/new"假设的API密钥(在实际应用中,你应该从安全的地方获取这个密钥)API_KEY="your_api_key_here"请求头,包含API密钥headers={"Authorization":f"Bear......
  • PDF编辑报错acrord32.dll?免费工具助你解决编辑PDF时的acrord32.dll错误
    在编辑PDF文件时,如果遇到“acrord32.dll”错误,这通常意味着AdobeReader或相关PDF编辑软件的某个关键组件出现了问题。acrord32.dll是AdobeReader和Acrobat等程序中用于处理PDF文件的重要动态链接库文件。一旦这个文件丢失或损坏,PDF文件可能无法正常打开或编辑。幸运的是,有多......
  • word转pdf
    fromwin32comimportclient#转换doc为pdfdefdoc2pdf(fn):word=client.Dispatch("Word.Application")#打开word应用程序#forfileinfiles:doc=word.Documents.Open(fn)#打开word文件doc.SaveAs("{}.pdf".format(fn[:-4]),17)......
  • 60多门编程语言学习书籍超级大合集(700+本PDF)
    60多门编程语言的学习书籍超级大合集(700+本PDF),这简直就是编程爱好者的宝藏库啊!这里面包含了各种各样的编程语言,从常见的Java、Python到相对冷门的Haskell、Lisp等等。这些书籍的质量也是参差不齐,有那种深入剖析语言特性的专业著作,也有通俗易懂适合初学者的入门教程。对......
  • powerdesigner导出pdf
    设置合适页面大小:当图比较多的时候,默认是无法在一个页面(默认为A4页面尺寸)展示所有的,这是有两种方式:方式一(推荐):自适应即单击Fittopage或者Centertopage导出PDF:默认打开很小(A4页面):但是放大后,清晰度杠杠的:......
  • 如何为PDF文件设置打开密码?推荐3种方法
    在工作中,PDF文档经常被用于分享和存档,但其中的敏感内容也容易被他人查看。为PDF文件设置一个打开密码,是确保文档安全的有效方式。如果小伙伴们不知道如何给PDF文件设置打开密码,可以看看以下3种方法!方法1:使用PDF编辑工具PDF编辑工具都具备多个功能模块,也支持为PDF文件添加密码......
  • PDF
    PDFtk用于在命令行中对PDF文件执行各种操作。https://www.pdflabs.com/tools/pdftk-the-pdf-toolkit/合并pdfpdftkfile1.pdffile2.pdfcatoutputmerged.pdf拆分pdfpdftkinput.pdfburstoutputpage_%d.pdf抽取pdf特定页面pdftkinput.pdfcat1-35outputextrac......