高质量PDF内容提取的综合工具包，适用于学术论文、教科书、研究报告和财务报表等，即使在扫描模糊或有水印的情况下也能保持高鲁棒性

PDF-Extract-Kit

高质量PDF内容提取的综合工具包，集成多种模型实现PDF布局检测、公式检测与识别、光学字符识别，适用于学术论文、教科书、研究报告和财务报表等多种文档类型，即使在扫描模糊或有水印的情况下也能保持高鲁棒性

Github地址

整体介绍

PDF文档中包含大量知识信息，然而提取高质量的PDF内容并非易事。为此，我们将PDF内容提取工作进行拆解：

• 布局检测：使用LayoutLMv3模型进行区域检测，如图像，表格,标题,文本等；

• 公式检测：使用YOLOv8进行公式检测，包含行内公式和行间公式；

• 公式识别：使用UniMERNet进行公式识别；

• 光学字符识别：使用PaddleOCR进行文本识别；

注意：由于文档类型的多样性，现有开源的布局检测和公式检测很难处理多样性的PDF文档，为此我们内容采集多样性数据进行标注和训练，使得在各类文档上取得精准的检测效果，细节参考布局检测[5]和公式检测[6]部分。对于公式识别，UniMERNet方法可以媲美商业软件，在各种类型公式识别上均匀很高的质量。对于OCR，我们采用PaddleOCR，对中英文OCR效果不错。