Dedoc – 将任意格式自动转为统一格式｜提取分析PDF文档等

Dedoc 是一款能将任意格式文档自动转换为统一结构化格式，基于机器学习和 OCR 技术，不仅能处理 Office 文档，还能从PDF和扫描图片中智能提取表格、文本格式和层级结构。平时在处理文档时，会经常遇到各种各样的格式，如 Word、PDF、扫描件等等，就可以整理为统一格式了。项目提供通过 Docker 一键部署方式，也可以在本地 pip 安装使用，适合需要批量处理文档的开发者。

J.Cling 推荐拓展：

主要功能特点

支持 DOC/DOCX、PDF、Excel、图像等多种文档格式
自动提取文档逻辑结构，包括标题层级和列表关系
智能识别和提取表格数据，支持复杂多页表格
OCR 扫描文档处理，自动纠正文档方向
提取文本格式信息，如字体、缩进、样式等
支持嵌套文档和压缩包批量处理

更新日志

v2.4

将 PyPDF2 升级到 pypdf>4 并修复从 PDF 文件中提取附件的错误。
为 PDF 文档每页的文本层检测（用于 PdfAutoReader）添加了 each_page_textual_layer_detection 参数。
添加了 ENABLE_CANCELLATION 环境变量，用于启用/禁用客户端断开连接后的解析取消（默认启用）。
由 PdfTabbyReader 提取的附加图像的固定位置坐标。
为具有文本层但编码损坏的 PDF 文档（ pdf_with_text_layer=bad_encoding ）新增了阅读器 PdfBrokenEncodingReader。