🚀 ‏ ابزار قدرتمند استخراج متن از فایل‌ها

‏ابزاری جدید به زبان Python معرفی شده است که امکان تبدیل دقیق محتوای فایل‌های PDF و تصاویر را به فرمت‌های Markdown و JSON فراهم می‌کند. این ابزار با تمرکز بر دقت بالا، فرآیند تبدیل داده‌های ساختاریافته و غیرساختاریافته را تسهیل می‌نماید.

📄 ‏ این راهکار از قابلیت‌های پیشرفته‌ای برای شناسایی جداول و فرمول‌های پیچیده بهره می‌برد. سیستم مذکور از موتورهای OCR (تشخیص نوری کاراکترها) متعددی از جمله Marker، Surya-OCR و Tesseract پشتیبانی می‌کند تا بالاترین کیفیت خروجی را تضمین کند.

🔒 ‏ یکی از ویژگی‌های کلیدی این پروژه، وجود قابلیت داخلی برای حذف داده‌های حساس شخصی (PII) در حین پردازش است که امنیت داده‌ها را ارتقا می‌دهد. استفاده از این ابزار برای خودکارسازی استخراج داده‌ها از اسناد متنی و تصویری در پروژه‌های Data Science بسیار کارآمد است.

‏GitHub Repository

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Surya_OCR #PII_removal