首页
/ Unstructured项目0.17.2版本发布:HTML解析与OCR处理能力升级

Unstructured项目0.17.2版本发布:HTML解析与OCR处理能力升级

2025-06-04 15:45:50作者:翟萌耘Ralph

Unstructured是一个专注于非结构化数据处理的开源项目,它能够从各种文档格式中提取和结构化文本内容。该项目特别擅长处理HTML、PDF等复杂文档格式,并通过OCR技术识别图像中的文字。最新发布的0.17.2版本带来了一系列重要的功能增强和性能优化。

HTML解析能力增强

新版本在HTML解析方面有两个显著改进:

  1. 图像URL提取功能:现在,当解析HTML文档时,对于包含在<img>标签中的非数据内容图像,解析器会自动提取并存储图像的URL地址。这个URL来自于src属性,并保存在新添加的image_url元数据字段中。这一改进使得用户可以更方便地追踪和获取文档中的原始图像资源。

  2. 图像元素分类优化:修复了一个关于<div>标签内图像处理的问题。在之前的版本中,位于<div><span>标签内且没有伴随文本的图像可能会被错误地分类为"UncategorizedText"类型,且缺少.text属性。新版本确保了这类图像会被正确地识别和分类为图像元素。

hOCR数据处理性能提升

hOCR是一种用于表示OCR识别结果的HTML格式。在0.17.2版本中,项目团队对hOCR数据的解析进行了重大优化:

  • 将解析引擎从BeautifulSoup(bs4)切换到了lxml。由于hOCR数据格式具有高度规律性(由程序生成保证),lxml在处理这种结构化数据时展现出更优异的性能表现。这一变更显著提高了处理hOCR数据的速度,特别是在处理大量OCR结果时,性能提升更为明显。

依赖项升级与兼容性改进

新版本对几个关键依赖项进行了升级:

  1. NumPy升级:将NumPy的版本要求提升至2.x以上。NumPy作为Python科学计算的基础库,这次升级确保了项目能够利用NumPy最新版本带来的性能改进和新特性。

  2. 相关依赖同步升级:为了保持与NumPy 2.x的兼容性,同时升级了几个相关依赖包,包括paddlepaddle(百度开源的深度学习平台)、unstructured-paddleocr(基于PaddleOCR的文本识别组件)和onnx(开放神经网络交换格式)。这些升级确保了整个技术栈的兼容性和稳定性。

技术意义与应用价值

这些改进从多个维度提升了Unstructured项目的实用价值:

  1. 数据完整性:图像URL的提取使得文档处理流程能够保留更多原始信息,方便后续的图像检索或验证。

  2. 处理效率:lxml替代bs4的变更直接提升了OCR结果的处理速度,对于需要处理大量扫描文档的用户尤其有益。

  3. 技术前瞻性:依赖项的升级确保了项目能够利用最新的库版本优势,同时为未来功能开发奠定了更稳固的基础。

对于需要从复杂文档中提取结构化信息的数据工程师和开发者来说,0.17.2版本提供了更强大、更高效的工具集,特别是在处理包含混合内容(文本+图像)的HTML文档时,新版本的表现更加出色和可靠。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
980
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (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
931
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
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
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
518
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0