marker-快速精准实现PDF转Markdown

GitHub - VikParuchuri/marker: Convert PDF to markdown quickly with high accuracy

Marker converts PDF to markdown quickly and accurately.

• Supports a wide range of documents (optimized for books and scientific papers)
• Supports all languages
• Removes headers/footers/other artifacts
• Formats tables and code blocks
• Extracts and saves images along with the markdown
• Converts most equations to latex
• Works on GPU, CPU, or MPS

Marker is a pipeline of deep learning models:

Marker的转换流程：

• 文本提取：首先，Marker使用OCR技术（如果需要）来提取PDF中的文本。这可能涉及到启发式方法或使用如Surya和Tesseract等OCR工具。

• 页面布局检测：Marker通过Surya等工具检测页面布局，确定阅读顺序，这对于保持文档结构至关重要。

• 文本块清理与格式化：对于每个文本块，Marker使用启发式方法和Texify等工具进行清理和格式化，以确保文本的准确性和可读性。

• 块组合与后处理：最后，Marker将所有文本块组合起来，并使用后处理工具（如pdf_postprocessor）进行最终的文本整理，以提高输出质量。

• 模型的智能使用：Marker只在必要时使用深度学习模型，这有助于提高转换速度和准确性。