3K star！为RAG而生的数据清洗神器

现在的AI时代，人工智能和大模型的能力很大程度上依赖于数据的质量，但是 数据具有不同的形状和大小，因此处理数据非常具有挑战性。

今天我们分享一个开源项目，它为微调或者RAG而生，将任何非结构化数据转换为结构化，它就是：OmniParse    

OmniParse 是一个平台，它可以提取和解析任何非结构化数据，将其转换为针对 GenAI (LLM) 应用程序优化的结构化、可操作数据。无论您处理的是文档、表格、图像、视频、音频文件还是网页，OmniParse 都可以将您的数据准备得干净、结构化，并可用于 RAG、微调等 AI 应用程序

以下是目前支持处理的文件类型：

目前OmniParse源码安装仅适用于基于 Linux 的系统。这是由于某些依赖项和系统特定配置与 Windows 或 macOS 不兼容。

git clone <https://github.com/adithya-s-k/omniparse>cd omniparse

创建虚拟环境：

conda create --n omniparse-venv python=3.10conda activate omniparse-venv

安装依赖项：

poetry install# orpip install -e .# orpip install -r pyproject.toml

也可以通过docker来使用OmniParse

docker build -t omniparse .# if you are running on a gpudocker run --gpus all -p 8000:8000 omniparse# elsedocker run -p 8000:8000 omniparse

#运行服务器：python server.py --host 0.0.0.0 --port 8000 --documents --media --web
#--documents：加载所有帮助您解析和提取文档的模型（Surya OCR系列模型和Florence-2）。#--media：加载Whisper模型来转录音频和视频文件。#--web：设置selenium爬虫。

启动后会提供一个API服务，内容可以参考以下：

以下是执行文档解析的例子，可以解析 PDF、PowerPoint 或 Word 文档。

#Curl 命令：curl -X POST -F "file=@/path/to/document" <http://localhost:8000/parse_document>

解析图像文件（PNG、JPEG、JPG、TIFF、WEBP）。

#Curl 命令：
curl -X POST -F "file=@/path/to/image.jpg" <http://localhost:8000/parse_media/image>

✅ 完全本地，无需外部 API

✅ 适合 T4 GPU

✅ 支持 ~20 种文件类型

✅ 将文档、多媒体和网页转换为高质量的结构化 markdown

✅ 表格提取、图像提取/字幕、音频/视频转录、网页抓取

✅ 使用 Docker 和 Skypilot 轻松部署

✅ Colab 友好

✅ 由 Gradio 提供支持的交互式 UI

OmniParse 旨在成为一个摄取/解析平台，您可以在其中摄取任何类型的数据，例如文档、图像、音频、视频和 Web 内容，并获得最结构化、最可操作且对 GenAI (LLM) 友好的输出。目前来看项目的思路的实用性很不错，当然目前项目在使用上也有一些不完善，比如它擅长解析英语，但对于中文等语言可能会有困难，另外对于PDF中公式转LaTeX会有困难，具体的可以参考项目给出的信息