DocuMentor: библиотека для анализа данных и извлечения иерархической структуры документов
DocuMentor позволяет с высокой точностью распознавать и извлекать иерархическую структуру документов, идентифицируя различные элементы внутри: заголовки, таблицы, изображения, формулы. Сервис работает с наиболее распространенными форматами документов: PDF (тексты и сканы текстов), DOCX и языком разметки для форматирования текстовых документов Markdown.
Библиотека преобразует документы в машиночитаемые JSON-файлы (текстовый формат обмена данными, основанный на JavaScript), которые содержат информацию о структуре документа: заголовках, абзацах, таблицах и других элементах.
Эффекты от внедрения
- Производит оптическое распознавание текста и определяет расположение элементов в PDF-файле с точностью до 98%.
- Делает документы машиночитаемыми и позволяет использовать их для создания эффективных систем поиска или чатов-ассистентов в крупных компаниях
Визуализация
Конкурентные преимущества
В 6–10 раз меньше ошибок при извлечении текста из PDF с текстовым слоем и в 2–6 раз меньше на сканах, чем у открытых аналогов Marker и Dedoc. На сканах ошибок 1,3% по символам и 2,5% по словам.
Восстанавливает иерархию разделов PDF-документов в 12–47 раз точнее аналогов: место в структуре документа определено верно у 65–73% элементов, у Marker и Dedoc — у 1–5%.
Обрабатывает PDF-документ в 21–37 раз быстрее Marker: 2–4 секунды на страницу (около 0,5–1 минуты на документ) против примерно 17 минут.
Общая информация
УГТ-6
Инициатор
