text-extract-api

这是一个本地化部署的文档内容提取与结构化转换API，支持PDF、Word、PPTX等格式及图像文件的高精度OCR识别与语义解析。核心功能包括：基于EasyOCR和Ollama多模型（如Llama 3.2 Vision、MiniCPM-V）的混合OCR策略；LLM后处理优化文本准确性；自动去除PII敏感信息；输出结构化JSON或语义保留的Markdown；支持异步任务队列（Celery）与Redis缓存。适用于金融合规审查、医疗报告结构化、发票信息抽取、政务文档脱敏等需数据不出内网、强隐私保护的场景。