Kreuzberg v2.0.0发布:文档处理工具的全面升级
2025-06-26 15:45:34作者:房伟宁
Kreuzberg是一个专注于文档处理的Python工具库,它提供了从各种文档格式(如PDF、Excel等)中提取文本和元数据的能力。最新发布的v2.0.0版本带来了多项重要改进和新特性,显著提升了文档处理的效率和可靠性。
同步方法与异步处理优化
v2.0.0版本引入了同步方法,为开发者提供了更灵活的选择。同时,项目从asyncio迁移到anyio,这一改变不仅增强了多循环兼容性,还简化了异步处理流程。anyio的采用使得Kreuzberg能够更好地处理并发任务,特别是在文档批量处理场景下表现更为出色。
智能PDF处理增强
新版本在PDF处理方面有两个重大改进:
-
自动OCR回退机制:现在Kreuzberg能够自动检测损坏或不可搜索的PDF文本内容,并智能地回退到OCR处理。这一特性大大减少了手动干预的需要,提高了处理流程的自动化程度。
-
元数据提取:通过集成Pandoc,Kreuzberg现在能够提取文档的元数据信息。这些元数据对于文档分类、检索和分析都非常有价值。
Excel处理能力提升
在电子表格处理方面,v2.0.0版本做出了显著改进:
- 使用python-calamine替代了原有的xslx2csv,性能得到提升
- 新增了对多工作表工作簿的支持,现在可以一次性提取Excel文件中的所有工作表内容
- 处理逻辑更加健壮,能够应对各种复杂的Excel文件结构
参数与配置优化
新版本对API进行了几项重要调整:
- 新增了
language
、psm
和pax_processes
等关键字参数,提供了更精细的控制选项 - 将
force_ocr
改为关键字参数,使API设计更加一致 - 更新了
ExtractionResult
结构,现在包含提取的元数据信息
性能与稳定性改进
在底层架构方面,v2.0.0版本进行了多项优化:
- 使用anyio.to_process管理Pandoc和Tesseract的工作进程,提高了资源利用率
- 内部代码结构重组,将_extractors命名空间拆分为更小的包,提高了代码的可维护性
- 测试覆盖率提高到99%以上,确保了代码质量
- 加强了linting规则,代码风格更加统一
兼容性考虑
值得注意的是,新版本对typing-extensions的依赖进行了调整,现在仅限Python 3.10及以下版本使用。这一变化需要开发者注意,特别是在升级现有项目时。
总结
Kreuzberg v2.0.0是一个重要的里程碑版本,它在文档处理能力、性能和API设计等方面都有显著提升。特别是自动OCR回退和多工作表支持等特性,使得它成为处理复杂文档任务的更加强大工具。对于需要从各种文档中提取信息的开发者来说,这个版本值得认真考虑升级。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0286Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
162
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15

React Native鸿蒙化仓库
C++
199
279

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

Git4Research旨在构建一个开放、包容、协作的研究社区,让更多人能够参与到科学研究中,共同推动知识的进步。
HTML
22
1

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
950
557

基于QEMU构建的RISC-V64 SOC,支持Linux,baremetal, RTOS等,适合用来学习Linux,后续还会添加大量的controller,实现无需实体开发板,即可学习Linux和RISC-V架构
C
19
5