# 文档处理

**Repository Path**: fire_lab/document-processing

## Basic Information

- **Project Name**: 文档处理
- **Description**: 记录开发过程中写的一些文档处理代码
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2025-01-16
- **Last Updated**: 2025-03-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: 文档处理, RAG, 大模型

## README

# Document Processing

## 本项目介绍
记录在实习过程中写的一些文档处理代码

目前包括了一下功能的相关文件：
```
document-processing/
├── ......
├── README.md
├── document_formater/ -> 文档格式化处理方案
└── explain_img/ -> PDF图像解释脚本
```

## 功能项目介绍

### PDF图像解释脚本

#### 运用场景
由于向量数据库对于图像，图表以及流程表（在此合称为“图像”）无法直接做向量化。因此本功能项目在于对PDF文档进行预处理，通过各种方法逐页检测PDF中是否存在图像，若存在图像，则使用多模态大模型进行语义解释，并将解释插入在此页之后，以支持对于图像的向量化。

### 文档格式化处理方案

#### 按照一定的格式要求，对未格式化的文档进行格式化处理。
提供端到端的文档格式化处理方案，目前仅支持docx文档。详细请阅读[document_formater/README.md](./document_formater/README.md)。