raphaelmansuy/edgeparse

🚀 EdgeParse: Công cụ trích xuất PDF nhan tố nhất, chạy bằng Rust

Trích xuất Markdown, JSON (có bounding boxes) và HTML từ PDF bản địa — nhanh như gió, chạy trên CPU, không cần GPU, JVM hay mô hình OCR.

EdgeParse là một công cụ trích xuất PDF bản địa được viết bằng Rust, thiết kế để chuyển đổi PDF thành các định dạng cấu trúc như Markdown, JSON, HTML hoặc văn bản thuần một cách nhanh chóng và chính xác. Dự án hỗ trợ nhiều nền tảng bao gồm Rust library, CLI, Python package, Node.js package và WebAssembly module.

✨ Điểm nổi bật

• Tốc độ vượt trội: Chỉ mất 0.064 giây/trang trên bộ benchmark 200 tài liệu PDF.
• Độ chính xác hàng đầu: Điểm số tổng thể 0.787 trên benchmark opendataloader.org.
• Không phụ thuộc nặng: Không cần GPU, JVM, mô hình OCR hay thời gian chạy Python.
• Hỗ trợ đa định dạng: Xuất ra Markdown, JSON với bounding boxes, HTML hoặc văn bản thuần.
• Bảo mật AI: Lọc các payload tiếm năng nguy hiểm trong PDF như văn bản ẩn, nội dung ngoài trang.
• Dễ tích hợp: Hỗ trợ Rust, Python, Node.js và WebAssembly để dùng trong trình duyệt.

💡 Vì sao đáng chú ý

EdgeParse nổi bật nhờ kết hợp tốc độ và độ chính xác cao trong khi giữ kích thước nhẹ. Không giống các công cụ khác dựa trên OCR hoặc JVM, EdgeParse sử dụng thuật toán XY-Cut++ để duy trì thứ tự đọc chính xác ngay cả với bố cục đa cột. Đây là lựa chọn lý tưởng cho các pipeline RAG/LLM cần xử lý PDF hiệu quả mà không làm tăng cường lượng phụ thuộc hệ thống.

#PDF #Rust #Markdown #EdgeParse #TiniX