pdfdeal

pdfdeal是一個Python封裝的Doc2X API工具，它提供了本地PDF處理功能，旨在提高PDF在RAG中的召回率。該工具支援多種輸出格式，包括文字、Markdown、PDF等，並且可以自訂OCR語言和使用GPU加速。它也支援Doc2X，該服務每日有500頁的免費使用額度，特別擅長表格和公式的識別。

需求人群：

"目標受眾主要是需要處理大量PDF文件並從中提取資訊的開發者和資料科學家。他們可以利用pdfdeal來提高資訊擷取的效率和準確性，尤其是在建立知識庫或進行資料分析時。"

使用場景範例：

使用pdfdeal從學術論文中提取文本和公式，以建立專業領域知識庫。

將企業報告批量轉換為Markdown格式，以便在GitHub上分享和協作。

利用Doc2X的表格辨識功能，自動化財務報表的資料處理與分析。

產品特色：

批次檔案處理穩定性增強

支援自訂OCR函數，包括使用pytesseract或跳過OCR

支援多種語言的OCR識別

支援GPU加速OCR處理

產生Markdown或LaTeX格式的文本

支援將PDF直接轉換為Markdown/LaTeX/DOCX格式

每日500頁的Doc2X免費使用額度

使用教學：

安裝pdfdeal ，可以透過PyPI安裝或從原始碼安裝。

導入pdfdeal庫並呼叫deal_pdf函數。

設定輸入參數，包括PDF檔案的路徑、輸出格式、OCR語言等。

執行deal_pdf函數，開始處理PDF檔案。

根據需要取得輸出，可能是文字字串、Markdown檔案或新的PDF檔案。

如果使用自訂OCR或Doc2X，請確保已經安裝相應的依賴並正確配置。

查看輸出結果，確保資訊擷取符合預期。