Unstructured项目0.17.2版本发布:HTML解析与OCR处理能力升级
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:
-
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。 -
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>
或<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:
-
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。
-
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:
-
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。
-
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。
-
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。
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GitCode-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~0269get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java00AudioFly
AudioFly是一款基于LDM架构的文本转音频生成模型。它能生成采样率为44.1 kHz的高保真音频,且与文本提示高度一致,适用于音效、音乐及多事件音频合成等任务。Python00GOT-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).Dockerfile08
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









