Kreuzberg v3.0.0 发布:OCR 文档处理框架的重大升级
2025-06-26 03:47:20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
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