QtScrcpy v3.3.1 已经发布,Android 实时投屏软件
QtScrcpy v3.3.1 已经发布,Android 实时投屏软件 此版本更新内容包括: feat: 更新scrcpy-server 3.3.1 fix: 修复sndcpy在mac上启动失败 详情查看:https://gitee.com/Barryda/QtScrcpy/releases/v3.3.1
torchv-unstructured v1.0.0 发布。torchv-unstructured 依托目前Java平台的开源中间件,站在巨人的肩膀上,致力于深入文件格式内部,解决最棘手的解析与优化挑战,而不仅仅是表面内容提取。专注于为RAG(检索增强生成)等AI应用提供高质量、结构化的数据源。
本版本聚焦于解决一个典型痛点:Word文档(.doc和.docx)的解析。传统工具在处理这两种格式,尤其是包含复杂合并单元格(rowspan/colspan)的表格时,往往表现不佳,导致结构破坏和信息丢失。通过实现一套完全基于表格结构、无需硬编码的通用算法,能够精准解析.doc和.docx格式中的任意复杂表格。通过对不同格式采用差异化的最优处理策略,确保了转换后的内容(特别是HTML表格)与源文件在视觉和结构上高度一致,为下游的AI/ML管道提供了前所未有的高质量、结构化的数据。
<dependency> <groupId>com.torchv.infra</groupId> <artifactId>torchv-unstructured</artifactId> <version>1.0.0</version> </dependency>
全格式支持:完整支持DOC和DOCX格式文档解析。
统一API设计:通过 UnstructuredParser 提供简洁统一的解析入口。
高质量内容提取:基于 Apache Tika、Apache POI 的可靠底层实现。
表格解析技术:提供在Doc/Docx两种格式下的表格解析优化,解决单元格合并等问题
Markdown输出:专为向量化和检索优化的结构化内容。
表格结构保持:HTML格式表格确保表格关系完整性,提升上下文理解。
灵活输出格式:支持纯Markdown、带HTML表格的Markdown等多种格式。
元数据提取:可提取丰富的文档元数据信息。
// 解析为Markdown格式(推荐用于RAG) String content = UnstructuredParser.toMarkdown("document.docx"); // 解析为带HTML表格的Markdown格式 String contentWithTables = UnstructuredParser.toMarkdownWithHtmlTables("document.docx"); // 仅提取表格数据 List<String> tables = UnstructuredParser.extractTables("document.docx"); // 获取完整解析结果 DocumentResult result = UnstructuredParser.toStructuredResult("document.docx");
// 使用RAG优化配置 try (WordParser parser = WordParser.ragOptimized()) { DocumentResult result = parser.parse("document.docx"); } // 自定义配置 try (WordParser parser = WordParser.builder() .withTableExtraction(true) .withTableAsHtml(true) .withImageExtraction(false) .build()) { DocumentResult result = parser.parse("document.docx"); }
本版本特别强化了Word格式文档的解析能力:
基于Apache POI的OOXML标准解析。
完整的表格结构保持,包括复杂合并单元格。
精确的样式和格式信息提取。
支持嵌入对象和图像提取。
专门的HWPFDocument处理流程。
特殊的合并单元格检测算法,提升老旧文档兼容性。
兼容老版本Word文档格式。
强大的错误处理机制。
智能识别复杂表格结构。
准确计算colspan和rowspan。
保持表格语义完整性。
生成标准、干净的HTML表格输出。
在31种不同格式的复杂表格类型进行了初步验证,包括上下单元格合并、跨页表格、左右单元格合并等多种复杂的情况,验证了doc/docx两种格式。主要表现如下:
✅ 完美识别rowspan和colspan合并单元格
✅ 准确保留所有表格内容,无丢失现象
✅ 正确处理跨页表格和复杂嵌套结构
✅ 支持任意语言和字符集的表格内容
✅ 在.doc和.docx格式上表现一致(目前doc格式无法提取markdown的header标题)
✅ 正确提取图片以及图片位置正确
在31个复杂表格情况下,对于表格的合并情况:
✅ 数据无错误,表格内容没错误的情况比例:30/31=96.8%
包含数据完全正确,目前出现6个表格会出现数据没异常的情况,但是表格在纵向合并的情况并没有表现一致的情况
✅ 数据解析异常,错误比率:1/31=3.23%
在31个复杂表格数据的情况下,出现了解析还原错误的情况,表格数据错位了的情况,这种情况在做知识库场景下送给大模型时,会导致数据异常、回答幻觉的情况发生
✅ 表格完全正确,colspan/rowspan完全无错误的情况:25/31=80.6%
数据完全一致、表格完全一致,100%还原出来的比例。
1、简单的上下合并情况
2、跨页上下单元格合并单元格的情况
3、上下左右单元格合并的情况
4、翻页单元格上下左右合并的情况
5、更复杂的纵向横向表格合并情况
v1.0.0作为稳定的基础版本,后续版本将在此基础上扩展:
支持更多文档格式(PDF、PPT、Excel等)。
增强图像和媒体内容处理。
提供云原生部署支持。
扩展AI集成能力。
感谢您选择TorchV Unstructured!
如果您有任何问题或建议,请通过以下方式联系我们:
📧 邮箱:xiaoymin@foxmail.com
🐛 问题反馈:GitHub Issues
💬 技术讨论:GitHub Discussions
由 TorchV团队 用 ❤️ 制作
微信关注我们
转载内容版权归作者及来源网站所有!
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。
为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。
Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。
Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。