spacy-layout

收录理由

spacy-layout 是一个专为 spaCy 打造的插件，能把 PDF、Word 文档以及类似格式的文件直接接入现有的自然语言处理流程。它建立在 Docling 之上，将输入文档转换成 spaCy 标准的 Doc 对象，标题、章节、表格和页面布局都会以带标签的文本片段形式呈现，并且这些片段可以精确对应回原文。这样一来，文档内容就能无缝用于分词、命名实体识别或文本分类等任务，省去了手动处理格式转换的麻烦。对于做检索增强生成（RAG）的团队来说，这个插件特别实用：因为章节和表格的结构信息在切块时能够得到保留，你可以把带有完整上下文的有意义片段送入向量库，而不是一整页原始文本。表格数据会被提取为 pandas 的 DataFrame，同时你还可以自定义表格在文档文本中的渲染方式，这让后续的抽取代码变得简洁而可控。