Kreuzberg v3.0.0 发布:OCR 文档处理框架的重大升级
2025-06-26 14:45:33作者:羿妍玫Ivan
Kreuzberg 是一个专注于文档处理的 Python 框架,特别擅长从各种文档格式(如 PDF、图像等)中提取文本内容。最新发布的 v3.0.0 版本带来了多项重要改进,使框架更加灵活、强大且易于扩展。
核心功能增强
多 OCR 引擎支持
v3.0.0 版本最大的亮点之一是增加了对多种 OCR 引擎的支持。除了原有的 Tesseract OCR(现在变为可选),现在开发者可以自由选择 PaddleOCR 或 Easy OCR 作为替代方案。这种多引擎架构设计使得:
- 开发者可以根据项目需求选择最适合的 OCR 解决方案
- 不同引擎可以针对特定类型的文档或语言提供更好的识别效果
- 系统具备了更强的容错能力,当某个引擎出现问题时可以快速切换
灵活的扩展机制
新版本引入了强大的扩展机制,允许开发者:
- 自定义提取器:可以创建针对特定文档格式或内容类型的专用提取器
- 覆盖内置提取器:当默认提取器不满足需求时,可以完全替换它们
- 处理钩子:通过预处理和后处理钩子在提取流程中插入自定义逻辑
- 验证钩子:在结果返回前对提取内容进行验证和修正
这种架构设计使得 Kreuzberg 能够适应各种复杂的文档处理场景。
新增功能详解
PDF 元数据提取
通过集成 Playa-PDF,Kreuzberg 现在能够提取 PDF 文档的元数据信息,如作者、创建日期、修改日期等。这对于文档管理系统和内容分析应用特别有价值。
内容分块支持
新增的可选内容分块功能允许将大型文档分割成逻辑块进行处理,这对处理长文档或需要分段分析的场景特别有用。开发者可以:
- 控制分块大小
- 定义分块边界
- 对每个分块应用不同的处理逻辑
无 OCR 模式
对于纯文本或已有文本层的 PDF 文档,现在可以选择完全禁用 OCR 处理,提高处理效率并减少资源消耗。
架构改进
v3.0.0 对内部架构进行了重大重构:
- 从函数式转向基于类的设计,提高了代码的可维护性和可扩展性
ExtractionResults从 NamedTuple 改为 TypedDict,提供了更灵活的结果结构- 各组件间解耦更彻底,模块化程度更高
这些改进使得框架更容易适应未来的功能扩展和定制需求。
文档与开发者体验
伴随此次发布,项目还新增了完整的文档网站,内容包括:
- 安装和配置指南
- API 参考
- 扩展开发教程
- 最佳实践示例
这对于新用户快速上手和高级用户深入定制都大有裨益。
总结
Kreuzberg v3.0.0 通过引入多 OCR 引擎支持、强大的扩展机制和更灵活的架构,显著提升了框架的实用性和适应性。无论是处理简单的文档提取任务,还是构建复杂的文档处理流水线,新版本都提供了更完善的解决方案。对于需要从各种文档中提取和分析内容的开发者来说,这无疑是一个值得关注的升级。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-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).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp Cafe Menu项目中link元素的void特性解析2 freeCodeCamp博客页面工作坊中的断言方法优化建议3 freeCodeCamp论坛排行榜项目中的错误日志规范要求4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp英语课程填空题提示缺失问题分析6 freeCodeCamp全栈开发课程中React实验项目的分类修正7 freeCodeCamp音乐播放器项目中的函数调用问题解析8 freeCodeCamp课程页面空白问题的技术分析与解决方案9 freeCodeCamp课程视频测验中的Tab键导航问题解析10 freeCodeCamp课程中屏幕放大器知识点优化分析
最新内容推荐
SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 CVE-2024-38077伪代码修复版EXP资源详解:Windows远程桌面授权服务问题利用指南 RadiAnt DICOM Viewer 2021.2:专业医学影像阅片软件的全面指南 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
241
2.38 K
deepin linux kernel
C
24
6
React Native鸿蒙化仓库
JavaScript
216
291
暂无简介
Dart
539
118
仓颉编译器源码及 cjdb 调试工具。
C++
115
86
仓颉编程语言运行时与标准库。
Cangjie
122
97
🎉 (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
1 K
589
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
590
118
Ascend Extension for PyTorch
Python
79
112
仓颉编程语言提供了 stdx 模块,该模块提供了网络、安全等领域的通用能力。
Cangjie
80
56