text-extract-api v0.2.0 发布：OCR 能力升级与开源协议变更

text-extract-api 是一个专注于文本提取的开源项目，它能够从各种格式的文件中提取文本内容，包括 PDF、图片等。该项目采用了模块化设计，支持多种 OCR（光学字符识别）引擎和后处理技术，为开发者提供了灵活的文本提取解决方案。

核心变更

1. 开源协议变更为 MIT

项目团队决定将开源协议从原先的许可证变更为 MIT 许可证。这一变更使得项目能够被更广泛地使用和集成，降低了开发者的使用门槛。MIT 许可证以其宽松的特性著称，允许用户自由使用、修改和分发代码，只需保留原始版权声明即可。

2. OCR 引擎调整

新版本中移除了 Marker 和 Tesseract OCR 引擎的支持，主要原因是 Marker 存在许可证限制问题。作为替代，项目引入了 EasyOCR 支持：

• EasyOCR：这是一个基于深度学习的 OCR 引擎，支持多种语言，在识别精度和速度方面表现优异。它特别适合处理复杂背景或低质量的图像文本。

3. 当前支持的功能

v0.2.0 版本已经具备以下核心能力：

• 文件格式支持：

  • PDF 文档
  • 常见图片格式

• OCR 引擎：

  • EasyOCR
  • LLama 3.2-vision OCR
  • 所有 Ollama 支持的模型（用于第二阶段的文本提取）

• 存储后端：

  • AWS S3 云存储
  • Google Drive 云存储
  • 本地文件系统

技术实现亮点

项目采用了分阶段处理的设计理念：

1. 第一阶段：使用 OCR 引擎从原始文件中提取初步文本
2. 第二阶段：利用 Ollama 支持的模型对提取的文本进行后处理和优化

这种架构设计使得项目能够灵活地组合不同的 OCR 和 NLP 技术，根据具体需求选择最适合的处理流程。

未来展望

虽然 v0.2.0 已经提供了强大的基础功能，但项目团队表示将继续扩展功能集。可能的未来方向包括：

• 支持更多文件格式（如 Word、Excel 等办公文档）
• 集成更多 OCR 引擎选项
• 增强对非拉丁语系文字的支持
• 优化处理流程的性能和准确性

这一版本标志着 text-extract-api 项目向着更加开放和灵活的方向发展，为开发者提供了更强大的文本提取工具。MIT 协议的采用将吸引更多贡献者参与项目，推动其持续进化。