1.6K star！这个开源文本提取神器，5分钟搞定PDF/图片/Office文档！

嗨，大家好，我是小华同学，关注我们获得“最新、最全、最优质”开源项目和高效工作学习方法

Kreuzberg 是一个基于 Python 的文本提取库，支持从 PDF、图像、Office 文档等 20+ 格式中提取文本内容。采用 MIT 开源协议，具备本地处理、异步架构、智能 OCR 等特性，特别适合需要隐私保护的文档处理场景。

一、核心功能亮点

多格式通吃
支持 PDF（含扫描件）、JPEG/PNG 图片、Word/Excel/PowerPoint、Markdown、EPUB 等常见文档格式

智能PDF处理
自动识别可搜索PDF与扫描件，智能切换文本提取与OCR模式，内置文本校验防错机制

异步高性能
基于 Python async/await 实现，支持批量文件并发处理，充分利用多核CPU性能

轻量级设计
安装包仅 5MB+，无需 GPU 支持，在树莓派等低配设备上也能流畅运行

多语言OCR
集成 Tesseract 5 引擎，支持中/英/德/法/日等 100+ 语言识别，可配置多语言混合识别

二、技术架构解析

模块	技术选型	功能说明
文档转换	Pandoc 2+	处理 Office/EPUB/Markdown 等格式
PDF处理	pdfium2 + Tesseract 5	双引擎智能切换处理PDF
异步框架	Python 3.10+	原生 async/await 支持
图像处理	Pillow	图片预处理与格式转换
依赖管理	UV	快速安装与轻量化依赖管理

三、五大应用场景实战

场景1：企业文档智能解析

from kreuzberg import batch_extract_file_sync

# 批量处理合同文档
results = batch_extract_file_sync([
    "采购合同.pdf",
    "报价单.xlsx",
    "签字扫描件.jpg"
])

for path, (content, _, _) in results.items():
    print(f"【{path}】解析结果：\n{content[:200]}...\n")

场景2：学术论文内容提取

async def extract_research_paper():
    result = await extract_file(
        "论文.pdf",
        language="chi_sim+eng",  # 中英混合识别
        psm=PSMMode.SINGLE_COLUMN  # 适合学术论文版式
    )
    print(f"摘要章节：{result.content.split('摘要')[1][:500]}...")

场景3：法律文书归档系统

def process_legal_docs(docs):
    for doc, mime_type in docs:
        result = await extract_bytes(
            doc,
            mime_type=mime_type,
            force_ocr=True  # 确保扫描件100%识别
        )
        save_to_database(
            content=result.content,
            metadata=result.metadata
        )

场景4：RAG知识库构建

async def build_knowledge_base(files):
    results = await batch_extract_file(files)
    for content, _, meta in results:
        await vector_db.insert({
            "text": content,
            "source": meta.get("title"),
            "author": meta.get("creator")
        })

场景5：跨格式内容搜索

def search_across_formats(keyword):
    results = []
    for file in os.listdir("docs"):
        content, _, _ = extract_file_sync(file)
        if keyword in content:
            results.append(file)
    return results

四、同类项目对比

项目名称	支持格式	OCR能力	异步支持	安装大小	学习曲线
Kreuzberg	★★★★★	★★★★☆		5MB	简单
PyPDF2	PDF			1MB	简单
python-docx	DOCX			2MB	中等
pytesseract	图片	★★★★☆		100MB+	复杂
pdfplumber	PDF			3MB	中等

核心优势对比：

1. 格式通吃：同时处理文档/图片/PDF，无需多个库切换
2. 智能处理：自动识别文档类型选择最佳解析方式
3. 生产就绪：完善的错误处理与元数据支持
4. 隐私安全：全程本地处理不依赖云服务

五、实战技巧分享

技巧1：提升OCR识别精度

# 配置德语+英语识别，使用单列版面分析
await extract_file(
    "german_doc.jpg",
    language="deu+eng",
    psm=PSMMode.SINGLE_COLUMN,
    ocr_config={"tessedit_pageseg_mode": 6}
)

技巧2：处理加密PDF

from kruetzberg import extract_file, ParsingError

try:
    result = await extract_file(
        "encrypted.pdf",
        pdf_options={"password": "123456"}
    )
except ParsingError as e:
    print("密码错误或文件损坏！")

技巧3：保留文档格式

# 提取带Markdown格式的内容
result = await extract_file(
    "report.docx",
    pandoc_options={"output_format": "markdown"}
)
print(result.content)  # 输出带Markdown标记的文本

六、项目部署方案

个人使用方案

# 1. 安装库
pip install kreuzberg

# 2. 安装依赖（Ubuntu示例）
sudo apt-get install pandoc tesseract-ocr tesseract-ocr-chi-sim

# 3. 中文识别测试
echo "测试文本" > test.txt
python -c "from kruetzberg import extract_file_sync; print(extract_file_sync('test.txt').content)"

Docker生产部署

FROM python:3.10-slim

RUN apt-get update && \
    apt-get install -y pandoc tesseract-ocr tesseract-ocr-chi-sim && \
    rm -rf /var/lib/apt/lists/*

COPY requirements.txt .
RUN pip install -r requirements.txt

CMD ["python", "app.py"]

七、生态整合推荐

• 知识库系统：与 LangChain 结合构建智能文档处理流水线
• 网盘系统：集成到 Nextcloud 实现自动文档内容索引
• OA系统：对接钉钉/企业微信实现移动端文档解析
• RAG应用：与 DeepSeek-R1 等大模型结合实现智能问答

八、总结展望

Kreuzberg 作为新一代文档处理工具，在以下场景具有独特优势：

• 需要本地化部署的隐私敏感场景
• 混合格式文档处理需求
• 高并发文档处理任务
• 资源受限的边缘计算环境

随着 2025 年多模态AI的爆发式增长，此类高效文本提取工具将成为智能办公的基础设施。

九、项目地址

https://github.com/Goldziher/kreuzberg