text-extract-api
Serviço FastAPI para converter documentos em JSON estruturado ou Markdown usando modelos de visão locais e remover PII.
Extraia tabelas, texto e JSON de documentos de seguros usando LLMs de visão locais e OCR PyTorch.
Esta ferramenta é um serviço de API auto-hospedado para extrair dados estruturados e remover PII de documentos digitalizados e PDFs. Equipes técnicas de seguros podem processar sinistros, faturas e registros médicos inteiramente on-premise usando Ollama e modelos de visão PyTorch. Ela fornece uma arquitetura baseada em filas projetada para automação de backend de alto rendimento.
O que é
Ela converte PDFs, imagens e arquivos Office em formato Markdown ou JSON limpo, lidando com dados tabulares e formulários especializados. O serviço principal combina EasyOCR ou LLMs de visão locais com workers do Celery e cache Redis para executar pipelines de extração sem enviar dados confidenciais para fora da sua rede.
Para quem
É ideal para desenvolvedores de seguros e engenheiros de dados que precisam analisar formulários de sinistros confidenciais e anonimizar registros de clientes em hardware local. Não é adequado para equipes não técnicas que procuram uma interface gráfica pronta para uso.
Recursos principais
Processamento OCR de visão local
Executa modelos OCR PyTorch e LLMs locais através do Ollama para manter registros confidenciais de seguros dentro do seu ambiente.
Redação automatizada de PII
Extrai o texto do documento enquanto identifica e remove informações de identificação pessoal antes do armazenamento posterior.
Fila assíncrona com Celery
Usa workers do Celery e cache Redis para processar lotes de documentos de alto volume concorrentemente.
Análise de saída flexível
Converte tabelas complexas, faturas e relatórios em Markdown formatado ou esquemas JSON estruturados.
Integração de engine remota
Suporta wrappers de OCR externos como o Marker-pdf via endpoints de API para layouts complexos multilíngues.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Zero dependências de nuvem externa mantêm arquivos de sinistros confidenciais estritamente em infraestrutura local.
- O cache Redis evita o processamento redundante ao executar tarefas repetitivas de extração por LLM.
- Suporta motores de OCR padrão e LLMs capazes de visão como Llama 3.2 Vision e MiniCPM-V.
- Inclui uma interface de linha de comando dedicada para testar arquivos de prompt em documentos complexos.
Onde deixa a desejar
- Requer hardware dedicado ou recursos de GPU para executar LLMs de visão com desempenho aceitável.
- Configurar workers, Redis e modelos Ollama exige DevOps e expertise em Python significativos.
- O uso de motores de OCR licenciados sob GPL como o Marker requer implantação de servidor separada para evitar contaminação de licença.
- A estratégia do Llama 3.2 Vision pode ser muito lenta ao processar lotes grandes de documentos de várias páginas.
Preços & licença
O software é gratuito para uso sob a licença MIT. O único custo decorre da operação dos servidores de computação e recursos de GPU locais necessários para processar documentos.
Vagas para quem fala português
880 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Posso executar isso sem enviar dados para provedores de nuvem externos?
Sim, o pipeline completo, incluindo OCR PyTorch, modelos Ollama, Redis e FastAPI, roda inteiramente na sua própria máquina local ou servidor privado.
Como a ferramenta remove dados confidenciais de clientes?
Você pode passar arquivos de prompt personalizados durante o envio para instruir a LLM integrada a limpar informações de identificação pessoal antes de retornar a saída JSON.
Ela consegue analisar tabelas complexas em relatórios médicos ou de sinistros?
Sim, os modelos de visão subjacentes e as estratégias de OCR convertem dados tabulares complexos em Markdown ou JSON estruturado.
