一、开源项目简介

X2Knowledge - 知识提取器工具

X2Knowledge 是一个高效的开源知识提取器工具，专为企业知识库建设而设计。它支持将PDF、Word、PPT、Excel、WAV、MP3等多种格式的文件智能转换为结构化的TXT或Markdown格式，帮助用户快速将各类文档资料标准化地录入企业知识库系统。通过先进的格式解析和内容提取技术，该项目显著提升知识转换的效率和准确性，是RAG（检索增强生成）应用和企业知识管理的理想预处理工具。

这是一个基于Python Flask的Web应用，可以将各种文档格式（Word、Excel、PowerPoint、PDF、TXT和Markdown）转换为纯文本或结构化的Markdown。

二、开源协议

使用Apache-2.0开源协议

三、界面展示

系统截图

界面

主页

API调用

原始格式

MD格式

效果

WORD文件

WORD转换效果

WORD中表格转换效果

Execel效果

PPT效果

四、功能概述

功能特点

• 将多种文件格式转换为文本或Markdown
• 支持Word (.doc, .docx)、Excel (.xls, .xlsx)、PowerPoint (.ppt, .pptx)、PDF、文本文件等
• 在Markdown转换模式下保持文档结构
• 通过OCR从图像中提取文本
• Markdown转换
• 保留文档结构，包括标题、列表和表格
• 保持链接和格式
• 提供转换后的Markdown预览功能
• OCR支持
• 自动从文档中嵌入的图像提取文本
• 适用于Word、PowerPoint和PDF文件中的图像
• 音频转换
   (新功能)
• 将音频文件(.mp3, .wav)转换为文本/Markdown描述
• 提取元数据，包括时长、声道和采样率
• UTF-8编码
• 自动将文档转换为UTF-8编码
• 解决中文字符显示问题
• 无需手动配置编码
• 大文件支持
• 支持高达50MB的文件
• 高效处理大型文档

项目优势

• 高性能文档处理
  ：优化的文档解析引擎，能够高效处理各种格式的文档
• 低资源消耗
  ：即使在配置较低的服务器上也能流畅运行
• 准确的结构保留
  ：特别是在Markdown转换中，能够准确保留文档的原始结构
• 多平台支持
  ：可在Windows、macOS和Linux系统上部署
• 灵活的API接口
  ：提供RESTful API，方便与其他系统集成
• 无外部依赖的部署
  ：除OCR功能外，核心功能无需外部服务支持
• 容器化部署
  ：支持Docker部署，简化环境配置

已知问题

• 较旧的Word文档（.doc格式）处理时间可能较长；建议在上传前将其转换为.docx格式
• 一些复杂的文档布局在Markdown转换中可能无法完美保留
• OCR准确性取决于图像质量和文本复杂性

五、技术选型

使用方法

1. 选择转换模式（文本或Markdown）
2. 上传您的文档（或拖放）
3. 查看、复制或下载转换结果
4. 使用Markdown预览功能查看格式化结果（使用Markdown模式时）

REST API

该工具提供了REST API以供程序访问：

• 文本转换
  ：POST /api/convert
• Markdown转换
  ：POST /api/convert-to-md

有关详细文档和测试，请通过Web界面访问API文档页面。

安装与部署

本地安装

要求

• Python 3.6+
• Flask
• pytesseract（用于OCR功能）
• Tesseract OCR引擎

详细内容请查看 README.md 文档

致谢

• pytesseract提供OCR功能
• FlaskWeb框架
• MarkidownMarkidown工具
• marked.js提供Markdown渲染
• highlight.js提供代码高亮
• 各种文档处理库