QuivrHQ/MegaParse

项目概览

该项目在处理复杂文档内容（如表格、图像等）的解析时，将'无信息丢失'作为核心差异化优势，并能利用多模态模型进行视觉解析，直接对接 LLM 数据摄入的预处理痛点。

项目类型

RAG 与知识库 · 数据处理

应用场景

知识问答

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要以编程方式处理复杂文档并投喂给大语言模型的开发者。

核心能力

• 功能核心在于解析过程中保留所有信息，旨在避免数据损耗。
• 能够处理文档中的表格、目录、页眉、页脚以及图像等非纯文本元素。
• 利用多模态模型对文档进行转换和解析操作。
• 支持通过 MakeFile 将工具作为 API 服务运行。

限制与风险

• MegaParse Vision 目前仅支持 claude 3.5、claude 4、gpt-4o 和 gpt-4 等多模态模型。
• 基础使用说明建议添加 OpenAI 或 Anthropic 的 API 密钥，存在对外部付费服务的依赖情况。

如何开始

• 安装过程需部署 poppler、tesseract、libmagic 等系统依赖，确保 Python 版本不低于 3.11，通过 pip 安装软件包。如需使用 LLM 功能，还需在 .env 文件中设置 OpenAI 或 Anthropic 的 API 密钥。

核验依据

• GitHub 项目简介: File Parser optimised for LLM Ingestion with no loss 🧠 Parse PDFs, Docx, PPTx in a format that is ideal for LLMs.
• README: - **No Information Loss**: Focus on having no information loss during parsing. - **Fast and Efficient**: Designed with speed and efficiency at its core. - **Wide File Compatibilit…
• Release: megaparse: v0.0.55
• README: - Files: ✅ PDF ✅ Powerpoint ✅ Word - Content: ✅ Tables ✅ TOC ✅ Headers ✅ Footers ✅ Images
• README: required python version >= 3.11 ```bash pip install megaparse ```

内容核验时间：