pdf-to-page-images-dataset
רץ בדפדפןDataset-Toolsagpl-3.02024-09-19
מעלים קובצי PDF והופכים אותם לתמונות של עמודים בודדים. זה מיועד למי שבונה מאגרי מידע מבוססי מסמכים ורוצה להעלות אותם ישירות לחשבון שלו.
- —הורדות בחודש
- 37לייקים
מה זה
אתם מעלים קובצי PDF ובוחרים בעזרת סליידר איזה אחוז מהעמודים לדגום מתוכם. בצד השני אתם מקבלים גלריה לצפייה בתמונות שנוצרו, ואם סימנתם את האפשרות המתאימה, גם קובץ ZIP מוכן להורדה של כל העמודים שחולצו.
מאחורי הקלעים אין מודל בינה מלאכותית אלא סקריפט עיבוד פשוט. הקוד מבוסס על ספריית PyMuPDF לחיתוך העמודים לתמונות דרך PIL, ומשתמש בריבוי תהליכים במקביל כדי לעבד את הקבצים. בנוסף, יש חיבור ל־Hugging Face Hub שמאפשר ליצור מאגר נתונים ישירות תחת החשבון שלכם, כולל תבנית כרטיס מאגר מובנית.
מתאים ל
- חיתוך עמודים לתמונות
המרת קובצי PDF שלמים לתמונות בודדות להורדה בקובץ ZIP מרוכז.
- דגימת עמודים למאגר
חילוץ אחוז מוגדר מראש של עמודים ממסמכים כדי ליצור מדגם מייצג.
- יצירת מאגר נתונים ברשת
העלאה ישירה של עמודי המסמכים לחשבון Hugging Face כמאגר פרטי או ציבורי.
איפה זה נופל
הבעיה המיידית היא שהאפליקציה תקועה על שגיאת ריצה, כך שכרגע אי אפשר להריץ אותה כלל בעמוד. מעבר לכך, היא לא מבצעת פעולות מתקדמות כמו זיהוי תווים אופטי, חילוץ טקסט או ניתוח מבנה של המסמך, אלא רק ממירה עמודים שלמים לקובצי תמונה. אין כאן מודל שפה ולא בדיקת איכות של התמונות שנוצרות.
שאלות
נפוצות
האם אפשר להשתמש בה עכשיו בדפדפן?
לא. סטטוס הפעילות מדווח על שגיאת ריצה, ולכן אי אפשר להעלות קבצים או לבצע המרה עד שמפתח הקוד יעדכן ויתקן את השגיאה.
האם אפשר להריץ את הקוד מקומית?
כן. הקוד משתמש בספריות פייתון סטנדרטיות כמו PyMuPDF, PIL ו־Gradio. אפשר להוריד את הקבצים ולהריץ אותם על המחשב שלכם כדי לעקוף את התקלה ברשת.
האם המסמכים שלי נשארים פרטיים?
האפליקציה שומרת קבצים בתיקייה זמנית בשרת לצורך העיבוד. אם בוחרים להעלות אותם ל־Hugging Face, יש תיבת סימון שמאפשרת להגדיר את המאגר שייווצר כפרטי בחשבון שלכם.
איך משתמשים
גוררים את קובצי ה־PDF לשדה ההעלאה, מגדירים את אחוז הדגימה ובוחרים אם לייצא ל־ZIP. אם רוצים להעלות את התוצאה למאגר ברשת, מתחברים עם חשבון Hugging Face דרך כפתור ייעודי ומזינים את שם המאגר הרצוי. לחיצה על כפתור ההמרה מתחילה את הפעולה. כרגע מוגדרת חומרת מעבד בסיסית, מה שאומר שהעיבוד של קבצים כבדים יהיה איטי למדי, אך במצבה הנוכחי האפליקציה בכלל מדווחת על שגיאת ריצה ולא תעבוד בדפדפן עד שיתקנו אותה.
הרישיון
הקוד מפורסם תחת רישיון agpl-3.0, שמחייב שיתוף של שינויים תחת אותו רישיון אם מריצים אותו ברשת. הרישיון חל על הקוד עצמו ולא קובע בעלות על המסמכים שאתם מעלים או התמונות שנוצרות.