text-extraction

本文介绍了一种技术，利用PDF规范中的替换文本属性，在PDF内部嵌入隐藏的Markdown结构，使得LLMs能够提取干净、结构化的数据，而人类看到的仍然是相同的视觉文档。

pdf-inspector 是一个开源的 Rust 库，用于智能分类 PDF 类型（文字版或扫描版），并提取文本和转换为 Markdown，避免不必要的 OCR，提高速度和节省成本。

Jerry Liu讨论了使用视觉语言模型进行PDF解析所面临的挑战，特别是关于确保文本正确性和保持正确阅读顺序的同时避免出现幻觉问题。

abiruyt/text-extract-ocr 是一个开源OCR模型，可在Replicate上使用，在CPU上运行，成本低且推理速度快。