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 08:32:28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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
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
866
513
ShopXO开源商城ShopXO开源商城
🔥🔥🔥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
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
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
261
302
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
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
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K