[603星]文件格式转换神器E2M

作者

项目简介

E2M 是一个能够把多种文件类型解析并转换成 Markdown 格式的 Python 库，通过解析器+转换器的架构，实现对 doc, docx, epub, html, htm, url, pdf, ppt, pptx, mp3, m4a 等多种文件格式的转换。

✨E2M 项目的终极目标是为了 RAG 和模型训练、微调，提供高质量的数据。

项目的核心架构：

  • 解析器：负责将各种文件类型解析为文本或图片数据

  • 转换器：负责将文本或图片数据转换为 Markdown 格式

一般来说，对于任意类型的文件，需要先运行解析器，获取文件内部的 text、image 等数据，然后再运行转换器，将数据转换为 Markdown 格式。

所有的 Parser 和 Converter

Parser
Parser Type Engine Supported File Type
PdfParser surya_layout, marker, unstructured pdf
DocParser pandoc, xml doc
DocxParser pandoc, xml docx
PptParser unstructured ppt
PptxParser unstructured pptx
UrlParser unstructured, jina, firecrawl url
EpubParser unstructured epub
HtmlParser unstructured html, htm
VoiceParser openai_whisper_api, openai_whisper_local, SpeechRecognition mp3, m4a

Converter
Converter Type Engine Strategy
ImageConverter litellm, zhipuai (图像识别表现不佳,不推荐) default
TextConverter litellm, zhipuai default

转换器支持的模型:

  1. Litellm: https://docs.litellm.ai/docs/providers/

  2. Zhipuai: https://open.bigmodel.cn/dev/howuse/model

📦 安装

创建环境:

conda create -n e2m python=3.10conda activate e2m

更新 pip:

pip install --upgrade pip

使用 pip 安装 E2M：

# 选项 1: 通过git安装，最推荐pip install git+https://github.com/wisupai/e2m.git --index-url https://pypi.org/simple# 选项 2: 通过pip安装pip install --upgrade wisup_e2m# 选项 3: 手动安装git clone https://github.com/wisupai/e2m.gitcd e2mpip install poetrypoetry buildpip install dist/wisup_e2m-0.1.63-py3-none-any.whl

启动API服务

gunicorn wisup_e2m.api.main:app --workers 4 --worker-class uvicorn.workers.UvicornWorker --bind 0.0.0.0:8000

查看API文档:

  • http://127.0.0.1:8000/docs

CLI 命令行工具

使用marker转换pdf

转换单个pdf:

marker_single /path/to/file.pdf /path/to/output/folder --batch_multiplier 2 --max_pages 10

批量转换pdf:

marker /path/to/input/folder /path/to/output/folder --workers 4 --max 10 --min_length 10000

⚡️ 解析器: 快速开始

以下是使用 E2M 解析器的简单示例：

📄 PDF 解析器

Note

如果没有科学上网，可能连接huggingface失败，可以使用设置以下镜像:

import osos.environ['CURL_CA_BUNDLE'] = ''os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
from wisup_e2m import PdfParser
pdf_path = "./test.pdf"parser = PdfParser(engine="marker") # pdf 引擎: marker, unstructured, surya_layoutpdf_data = parser.parse(pdf_path)print(pdf_data.text)

📝 DOC 解析器

from wisup_e2m import DocParser
doc_path = "./test.doc"parser = DocParser(engine="pandoc") # doc 引擎: pandoc, xmldoc_data = parser.parse(doc_path)print(doc_data.text)

📜 DOCX 解析器

from wisup_e2m import DocxParser
docx_path = "./test.docx"parser = DocxParser(engine="pandoc") # docx 引擎: pandoc, xmldocx_data = parser.parse(docx_path)print(docx_data.text)

🌐 HTML 解析器

from wisup_e2m import HtmlParser
html_path = "./test.html"parser = HtmlParser(engine="unstructured") # html 引擎: unstructuredhtml_data = parser.parse(html_path)print(html_data.text)

🔗 URL 解析器

from wisup_e2m import UrlParser
url = "https://www.example.com"parser = UrlParser(engine="jina") # url 引擎: jina, firecrawl, unstructuredurl_data = parser.parse(url)print(url_data.text)

🖼️ PPT 解析器

from wisup_e2m import PptParser
ppt_path = "./test.ppt"parser = PptParser(engine="unstructured") # ppt 引擎: unstructuredppt_data = parser.parse(ppt_path)print(ppt_data.text)

🖼️ PPTX 解析器

from wisup_e2m import PptxParser
pptx_path = "./test.pptx"parser = PptxParser(engine="unstructured") # pptx 引擎: unstructuredpptx_data = parser.parse(pptx_path)print(pptx_data.text)

🎤 语音解析器

from wisup_e2m import VoiceParser
voice_path = "./test.mp3"parser = VoiceParser(  engine="openai_whisper_local", # 语音引擎: openai_whisper_api, openai_whisper_local  model="large" # 可用模型: https://github.com/openai/whisper#available-models-and-languages  )
voice_data = parser.parse(voice_path)print(voice_data.text)

🔄 转换器: 快速开始

以下是使用 E2M 转换器的简单示例：

📝 文本转换器

from wisup_e2m import TextConverter
text = "从任何解析器解析的文本数据"converter = TextConverter(  engine="litellm", # 文本引擎: litellm  model="deepseek/deepseek-chat",  api_key="你的 API 密钥",  base_url="你的基础 URL"  )text_data = converter.convert(text)print(text_data)

🖼️ 图片转换器

from wisup_e2m import ImageConverter
images = ["./test1.png", "./test2.png"]converter = ImageConverter(  engine="litellm", # 图片引擎: litellm  model="gpt-4o",  api_key="你的 API 密钥",  base_url="你的基础 URL"  )image_data = converter.convert(images)print(image_data)

🆙 下一步

🛠️ E2MParser

E2MParser 是一个集成解析器，支持多种文件类型。可以将各种文件类型解析为 Markdown 格式。

from wisup_e2m import E2MParser
# 使用配置文件初始化解析器ep = E2MParser.from_config("config.yaml")
# 解析指定文件data = ep.parse(file_name="/path/to/file.pdf")
# 将解析的数据以字典格式打印print(data.to_dict())

🛠️ E2MConverter

E2MConverter 是一个集成转换器，支持文本和图片转换。可以将文本和图片转换为 Markdown 格式。

from wisup_e2m import E2MConverter
ec = E2MConverter.from_config("./config.yaml")
text = "从任何解析器解析的文本数据"
ec.convert(text=text)
images = ["test.jpg", "test.png"]ec.convert(images=images)

你可以使用 config.yaml 文件来指定要使用的解析器和转换器。以下是一个 config.yaml 文件的示例：

parsers:    doc_parser:        engine: "pandoc"        langs: ["en", "zh"]    docx_parser:        engine: "pandoc"        langs: ["en", "zh"]    epub_parser:        engine: "unstructured"        langs: ["en", "zh"]    html_parser:        engine: "unstructured"        langs: ["en", "zh"]    url_parser:        engine: "jina"        langs: ["en", "zh"]    pdf_parser:        engine: "marker"        langs: ["en", "zh"]    pptx_parser:        engine: "unstructured"        langs: ["en", "zh"]    voice_parser:        # 选项1: 使用 openai whisper API        # engine: "openai_whisper_api"        # api_base: "https://api.openai.com/v1"        # api_key: "你的 API 密钥"        # model: "whisper"
        # 选项2: 使用本地 whisper 模型        engine: "openai_whisper_local"        model: "large" # 可用模型: https://github.com/openai/whisper#available-models-and-languages
converters:    text_converter:        engine: "litellm"        model: "deepseek/deepseek-chat"        api_key: "你的 API 密钥"        # base_url: ""    image_converter:        engine: "litellm"        model: "gpt-4o-mini"        api_key: "你的 API 密钥"        # base_url: ""

项目链接

https://github.com/wisupai/e2m/blob/main/README-zh.md

扫码加入技术交流群，备注「开发语言-城市-昵称」

（文：GitHubStore）

欢迎分享

发表评论