doc-layout-parser 2.5.6

Пакет для разбивки различных документов (docx, pdf, изображения) на страницы, блоки, строки и слова

Document Parser

Пакет для разбивки документов на страницы, блоки, строки и слова.

Поддерживаемые форматы документов:

• DOCX, DOC, RTF, ODT, DOT, DOTX
• PDF
• PNG, JPG, JPEG, TIFF, BMP, GIF

Установка

Для обработки изображений требуется установить Tesseract

Для обработки документов Microsoft Word требуется установить LibreOffice

Установка с помощью uv (Рекомендуется)

uv add doc-layout-parser

Установка с помощью pip

pip install doc-layout-parser

Использование

>>> from doc_layout_parser import DocumentParser

>>> document_parser = DocumentParser()
>>> result = document_parser.parse('image.png')

>>> result
Document(
    path='image.png',
    source_type='image',
    pages=[Page(
        blocks=[Block(
            lines=[Line(
                words=[Word(
                    word='Пример',
                    bounding_box=BoundingBox(left=28.3, top=32.0, right=36.1, bottom=33.2))]
            )]
        )]
    )]
)

>>> # Результат экспорта в json можно посмотреть в примерах
>>> result.to_json()
...
>>> result.to_dict()
...
>>> result.to_text()
Пример

Примеры

Примеры работы с разными типами документов:

• DOCX
• PDF
• PNG