text-extract-api
FastAPI сервис для конвертации документов в структурированный JSON или Markdown с использованием локальных vision моделей и удаления PII.
Извлекайте таблицы, текст и JSON из страховых документов с помощью локальных vision LLM и PyTorch OCR.
Этот инструмент представляет собой self-hosted API сервис для извлечения структурированных данных и удаления PII из сканированных документов и PDF. Технические команды страховых компаний могут обрабатывать претензии, счета и медицинские карты полностью on-premise, используя модели Ollama и PyTorch vision. Он предоставляет очередь задач, разработанную для высокопроизводительной бэкенд-автоматизации.
Что это
Он преобразует PDF, изображения и файлы Office в чистый формат Markdown или JSON, обрабатывая табличные данные и специализированные формы. Ядро сервиса объединяет EasyOCR или локальные vision LLM с воркерами Celery и кэшированием Redis для выполнения конвейеров извлечения без отправки конфиденциальных данных за пределы вашей сети.
Для кого
Подходит для страховых разработчиков и инженеров данных, которым необходимо парсить конфиденциальные формы претензий и анонимизировать клиентские записи на локальном оборудовании. Не подходит для нетехнических команд, ищущих готовый графический интерфейс из коробки.
Ключевые возможности
Локальная vision OCR обработка
Запускает модели PyTorch OCR и локальные LLM через Ollama для сохранения конфиденциальных страховых записей внутри вашей среды.
Автоматизированное маскирование PII
Извлекает текст документа, одновременно определяя и удаляя персональные данные перед сохранением в нижестоящие системы.
Асинхронная очередь с Celery
Использует воркеры Celery и кэширование Redis для параллельной обработки больших объемов пакетов документов.
Гибкий парсинг вывода
Конвертирует сложные таблицы, счета и отчеты в форматированный Markdown или структурированные схемы JSON.
Интеграция удаленного движка
Поддерживает внешние OCR обертки, такие как Marker-pdf, через API эндпоинты для сложных многоязычных макетов.
Готово за 3 шага
Наш честный вердикт
Плюсы
- Отсутствие внешних облачных зависимостей позволяет хранить конфиденциальные файлы претензий строго на локальной инфраструктуре.
- Кэширование Redis предотвращает избыточную обработку при выполнении повторяющихся задач извлечения LLM.
- Поддерживает как стандартные движки OCR, так и vision-способные LLM, такие как Llama 3.2 Vision и MiniCPM-V.
- Включает специализированный интерфейс командной строки для тестирования файлов промптов на сложных документах.
Минусы
- Требует выделенного оборудования или ресурсов GPU для запуска vision LLM с приемлемой производительностью.
- Настройка воркеров, Redis и моделей Ollama требует значительного опыта в DevOps и Python.
- Использование OCR движков с лицензией GPL, таких как Marker, требует развертывания отдельного сервера во избежание заражения лицензии.
- Стратегия Llama 3.2 Vision может работать очень медленно при обработке больших пакетов многостраничных документов.
Цены и лицензия
Программа бесплатна для использования под лицензией MIT. Единственные затраты связаны с эксплуатацией серверов и локальных GPU ресурсов, необходимых для обработки документов.
Вакансии для носителей русского языка
880 открытых удалённых вакансий по обучению ИИ, обновлено 15 ноября 2026 г.; в большинстве оплата $20–$175 в час. Из них 2 — для носителей русского языка. Zekai публикует их бесплатно; отклик уходит на платформу работодателя.
Альтернативы
Используйте сами или мы всё настроим
Вопросы
Могу ли я запускать это без отправки данных внешним облачным провайдерам?
Да, весь конвейер, включая PyTorch OCR, модели Ollama, Redis и FastAPI, работает полностью на вашем собственном локальном компьютере или приватном сервере.
Как инструмент удаляет конфиденциальные клиентские данные?
Вы можете передавать пользовательские файлы промптов при отправке, чтобы проинструктировать встроенную LLM очистить персональные данные перед возвратом JSON вывода.
Может ли он парсить сложные таблицы в медицинских отчетах или отчетах о страховых случаях?
Да, базовые vision модели и стратегии OCR конвертируют сложные табличные данные в структурированный Markdown или JSON.
