极道 · 2024-01-24T22:40:00Z nlm-ingestor：RAG基于规则的开源PDF解析器 💡 原文中文，约2100字，阅读约需5分钟。 📝 内容提要 此存储库包含多种文件格式的自定义解析器，包括PDF、HTML、DOCX、PPTX等。基于规则的解析器比基于视觉模型的解析器更快且实用。PDF解析器具有章节和段落提取、表格识别、去除重复页眉页脚等功能。使用Tika进行文档解析，可与llmsherpa LayoutPDFReader结合使用。与Azure文档智能相比，此解析器速度快且成本低。 🏷️ 标签 PDF Tika rag 基于规则 开源 章节提取 自定义解析器 解析器 阅读原文 生成长图 分享链接 已复制链接
