AnyDoc
Rustový parser, který převádí 14 kancelářských formátů na Markdown s mediánem pod 5 ms, bez ML a bez externích služeb.
Účel
Parsovací engine pro dokumenty napsaný v Rustu. Převádí 14 běžných kancelářských formátů —
Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV a PDF — na čistý GitHub Flavored
Markdown. Má vazby pro Node.js, Python i prohlížeč a dá se použít i z příkazové řádky.
Pohání /parse endpoint Firecrawlu.
Odlišnost
Žádné ML modely, žádné externí služby — čistý Rust s mediánem převodu pod 5 milisekund na dokument. Formát rozpoznává z obsahu souboru, ne z přípony (hlavička PDF, otevírací skupina RTF, názvy OLE streamů, mimetype v ZIP balíčku), takže projde i špatně pojmenovaný soubor.
Doplňuje Marker, nekonkuruje mu. Marker, který máme v katalogu z minulé dávky, řeší
skenovaná PDF a složitý layout přes VLM a je odpovídajícím způsobem pomalý. AnyDoc zvládá
textová PDF lokálně přes pdf-inspector bez OCR. Rozumná kombinace je pustit napřed
AnyDoc a na to, co neprojde, poslat Marker.
Nasazení
Knihovna v Rustu s vazbami pro Node.js a Python, plus CLI. MIT licence, zdarma, běží lokálně bez volání služeb. Používá se i uvnitř placeného Firecrawlu.
V kostce
- Zralost
- 4/5
- Jak zavedený je projekt: body za aktivní vývoj, víc přispěvatelů, placenou verzi a víc než rok na trhu.
- Nasazení
- Knihovna, CLI
- Licence
- MIT
- Cena
- Zdarma, MIT
Zdroje
- Web anydoc.wiki
- Repozitář github.com/firecrawl/anydoc
- Výrobce firecrawl.dev/blog/anydoc-and-pdf-inspector
- Nezávislý zdroj wavect.io/blog/firecrawl-anydoc-review
- Nezávislý zdroj agentpedia.codes/blog/firecrawl-anydoc-document-markdown-guide