%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20none;%20}%20.st1%20{%20fill:%20%235ce6cf;%20}%20.st2%20{%20fill:%20%230080ff;%20}%20.st3%20{%20clip-path:%20url(%23clippath);%20}%20%3c/style%3e%3cclipPath%20id='clippath'%3e%3crect%20class='st0'%20y='0'%20width='120'%20height='32'/%3e%3c/clipPath%3e%3c/defs%3e%3cg%20class='st3'%3e%3cg%3e%3cpath%20class='st1'%20d='M22.4,32H3.2c-1,0-2-.5-2.6-1.4-.6-.9-.7-2-.4-2.9L9.8,2.1C10.3.8,11.5,0,12.8,0s2.5.8,3,2.1l9.6,25.6c.4,1,.2,2.1-.4,2.9-.6.9-1.6,1.4-2.6,1.4ZM7.8,25.6h10l-5-13.3-5,13.3Z'/%3e%3cpath%20class='st2'%20d='M33.6,32c-1.3,0-2.5-.8-3-2.1L21,4.3c-.6-1.7.2-3.5,1.9-4.1,1.7-.6,3.5.2,4.1,1.9l9.6,25.6c.6,1.7-.2,3.5-1.9,4.1-.4.1-.8.2-1.1.2h0Z'/%3e%3cpath%20d='M71.8,9.1h-6.9v4.6h6.9c2.5,0,4.6,2,4.6,4.6h-6.9c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h2.3c1.7,0,3.2-.4,4.6-1.2v1.2h4.6v-13.7c0-5-4.1-9.1-9.1-9.1h0ZM71.8,27.4h-2.3c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h6.9c0,2.5-2,4.6-4.6,4.6h0Z'/%3e%3cpath%20d='M52.3,9.1h-4.6V0h-4.6V32h9.1c5,0,9.1-4.1,9.1-9.1v-4.6c0-5.1-4.1-9.1-9.1-9.1h0ZM56.9,22.9c0,2.5-2,4.6-4.6,4.6h-4.6v-13.7h4.6c2.5,0,4.6,2,4.6,4.6v4.6h0Z'/%3e%3cpath%20d='M110.9,13.7h9.1v-4.6h-9.1c-5.1,0-9.1,4.1-9.1,9.1v4.6c0,5.1,4.1,9.1,9.1,9.1h9.1v-4.6h-9.1c-2.5,0-4.6-2-4.6-4.6h13.7v-4.6h-13.7c0-2.5,2-4.6,4.6-4.6h0Z'/%3e%3cpath%20d='M93.6,18.3h-4.6c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h10.3v-4.6h-10.3c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h4.6c1.3,0,2.3,1,2.3,2.3s-1,2.3-2.3,2.3h-10.3v4.6h10.3c3.8,0,6.9-3.1,6.9-6.9s-3.1-6.9-6.9-6.9Z'/%3e%3c/g%3e%3c/g%3e%3c/svg%3e)
简介
docai 是一个利用人工智能技术从非结构化文档中提取结构化数据的模型。它集成了Answer.AI的Byaldi、OpenAI的gpt-4o以及Langchain的结构化输出技术，能够显著提高文档处理的效率和准确性。该模型主要面向需要处理大量文档数据并从中提取有用信息的用户，如法律、金融、医疗等行业的专业人士。
截图
产品特色
使用Answer.AI的Byaldi技术进行信息提取
集成OpenAI的gpt-4o模型进行自然语言处理
应用Langchain的结构化输出技术
支持从PDF文件中提取数据
提供基于Python的脚本以方便开发者使用
支持环境变量配置，方便API密钥管理
使用教程
1. 确保环境中已设置OPENAI_API_KEY和HF_TOKEN。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%230080ff;%20}%20%3c/style%3e%3c/defs%3e%3cpath%20class='st0'%20d='M16.2,11.1c.4.5.4,1.2,0,1.8l-4.7,7.1h-3.8l5.3-8L7.6,4h3.8l4.7,7.1Z'/%3e%3c/svg%3e)
2. 克隆docai仓库到本地。
3. 根据README.md中的指引安装必要的依赖。
4. 构建索引：运行脚本，从'pdfs/'文件夹中构建索引。
5. 提取信息：运行extract.py脚本，查看查询和pydantic模型。
6. 查看输出：分析提取的结构化信息，根据需要进行进一步处理。
流量来源
| 直接访问 | 51.61% | 外链引荐 | 33.46% | 邮件 | 0.04% |
| 自然搜索 | 12.58% | 社交媒体 | 2.19% | 展示广告 | 0.11% |
最新流量情况
月访问量
4.92m
平均访问时长
393.01
每次访问页数
6.11
跳出率
36.20%
总流量趋势图
地理流量分布情况
美国
19.34%
中国
13.25%
印度
9.32%
俄罗斯
4.28%
德国
3.63%
地理流量分布全球图
同类开源产品
Tabled
Tabled是一个用于检测和提取表格的Python库，它使用surya来识别PDF中的表格，识别行列，并能够将单元格格式化为Markdown、CSV或HTML。
AI数据挖掘#PDF处理
Datamonkey
DataMonkey是一个创新的数据可视化平台，它允许用户通过聊天的方式调用公共数据集，实现Map式的数据分析和展示。
AI数据挖掘#Map
Knowledge Table
Knowledge Table 是一个开源工具包，旨在简化从非结构化文档中提取和探索结构化数据的过程。
AI数据挖掘#数据提取
Parseflow
Parseflow是一个数据自动化平台，专注于通过先进的OCR和AI技术实现文档数据的自动提取和结构化。
AI数据挖掘#数据提取
Sheetbot AI
优质新品
SheetBot AI是一个利用人工智能技术，为用户提供数据分析、可视化和数据转换的一体化平台。
AI数据挖掘#AI
Kuration AI
Kuration AI是一个利用人工智能技术帮助用户进行B2B研究的工具，它通过智能筛选和数据丰富化，帮助用户快速从大量信息中提炼出有价值的商业线索。
AI数据挖掘#数据丰富化
Calcgen AI
优质新品
CalcGen AI是一个基于人工智能的平台，它允许用户通过简单的提示生成定制的交互式数据可视化。
AI数据挖掘#人工智能
Handinger
Handinger是一个提供数据提取服务的网站，它允许用户通过HTTP端点轻松提取网页内容，包括Markdown、截图、元数据和HTML等格式。
AI数据挖掘#API服务
Chunkr
Chunkr是一个开源的数据摄取API服务，专注于文档布局分析、OCR和分块处理，将文档转换成适合RAG和LLM的数据格式。
AI数据挖掘#文档处理
替代品
Tabled
Tabled是一个用于检测和提取表格的Python库，它使用surya来识别PDF中的表格，识别行列，并能够将单元格格式化为Markdown、CSV或HTML。
AI数据挖掘#PDF处理
Knowledge Table
Knowledge Table 是一个开源工具包，旨在简化从非结构化文档中提取和探索结构化数据的过程。
AI数据挖掘#数据提取
Swift Ocr Llm Powered Pdf To Markdown
这是一个开源的OCR API，利用OpenAI强大的语言模型和优化的性能技术（如并行处理和批处理）来实现从复杂PDF文档中提取高质量文本。
AI文档工具#PDF处理
Docai
docai 是一个利用人工智能技术从非结构化文档中提取结构化数据的模型。
AI数据挖掘#信息提取
Data Juicer
Data-Juicer 是一个一站式的多模态数据处理系统，旨在为大型语言模型(LLMs)提供更高质量、更丰富、更易消化的数据。
AI数据挖掘#data-science
PDF Extract Kit
PDF-Extract-Kit是一个专门用于提取PDF文件中高质量内容的工具包。
AI文档工具#版面检测
LAMDA TALENT
LAMDA-TALENT是一个综合的表格数据分析工具箱和基准测试平台，它集成了20多种深度学习方法、10多种传统方法以及300多个多样化的表格数据集。
AI数据挖掘#深度学习
Apigen
APIGen是一个自动化的数据生成管道，旨在为函数调用应用生成可验证的高质量数据集。
AI数据挖掘#数据生成
360layoutanalysis
360LayoutAnalysis是由360 AI研究院开发的一系列文档分析模型和数据集，专注于文档版式分析，即从扫描的文档图像中识别和提取文本、图像、表格和其他元素。
AI文档工具#版式识别
精选AI产品推荐
Nocode
中文精选
NoCode 是一款无需编程经验的平台，允许用户通过自然语言描述创意并快速生成应用，旨在降低开发门槛，让更多人能实现他们的创意。
开发平台#应用开发
912
Listenhub
优质新品
ListenHub 是一款轻量级的 AI 播客生成工具，支持中文和英语，基于前沿 AI 技术，能够快速生成用户感兴趣的播客内容。
音频生成#AI
348
Lovart
国外精选
Lovart 是一款革命性的 AI 设计代理，能够将创意提示转化为艺术作品，支持从故事板到品牌视觉的多种设计需求。
AI设计工具#创意工具
1,128
Fastvlm
FastVLM 是一种高效的视觉编码模型，专为视觉语言模型设计。
AI模型#图像处理开源
564
Smart PDFs
国外精选
Smart PDFs 是一个在线工具，利用 AI 技术快速分析 PDF 文档，并生成简明扼要的总结。
文章摘要#AI
984
Keysync
KeySync 是一个针对高分辨率视频的无泄漏唇同步框架。
视频编辑#视频处理开源
480
Anyvoice
AnyVoice是一款领先的AI声音生成器，采用先进的深度学习模型，将文本转换为与人类无法区分的自然语音。
音频生成#文本转语音
26.38k
Liblibai
中文精选
LiblibAI是一个中国领先的AI创作平台,提供强大的AI创作能力,帮助创作者实现创意。
AI模型#图像生成
344.42k