DocuCleanse

Layout-aware PDF to Markdown parsing API for LLM and RAG pipelines. Fixes scrambled columns, broken tables, and lost equations.

原始信息汇总

DocuCleanse 数据集概述

基本描述

DocuCleanse 是一个高性能、保留布局的PDF解析API，专为AI开发者、RAG流水线和LLM应用设计。它通过单次POST请求，解决标准PDF解析器常见的文档结构破坏问题，如多栏顺序错乱、表格关系丢失、数学公式和希腊符号无法识别等。

核心功能

• 布局感知解析：正确处理多栏布局（如学术论文、报告），保持自然阅读顺序。
• 表格重建：将打散的PDF表格数据恢复为干净的GitHub-Flavored Markdown表格。
• 公式处理：将数学公式和希腊符号包裹在LaTeX分隔符中，便于LLM读取。
• 扫描件支持：对于纯图像页面，通过Google Tesseract OCR处理，并给出置信度分数。

输出结果

每个响应包含：

• 清理后的结构化 Markdown，可直接用于LLM。
• JSON blocks数组，包含类型、页码和边界框信息，适用于RAG流水线。
• 每页的 置信度分数。
• 提取方法：原生 / OCR / 混合。
• 处理时长（毫秒）。
• SHA-256缓存：重复上传可在3毫秒内返回结果。

可用端点

• POST /v1/parse-file — 上传并解析PDF文件
• POST /v1/parse-url — 从公共URL解析PDF
• GET /v1/metadata — 提取PDF元数据
• GET /v1/health — 健康检查

性能与价格对比

特性	DocuCleanse	LlamaParse	Unstructured.io
价格	$19/月	$50/月	企业级
框架锁定	无	需使用LlamaIndex	无
确定性输出	是	否（基于LLM）	部分
速度	~200毫秒/页	秒级	秒级

订阅方案

• BASIC：$0.00 /月
• PRO：$19.00 /月（推荐）
• ULTRA：$79.00 /月

提供商信息

• 创建者：Arjun Sharma
• 类别：文本分析
• 订阅数：1
• 资源：产品网站