spacy-layout

让 spaCy 看懂 PDF 和 Word 的版面结构，直接用于 NLP 流程。

spacy-layout 是一个将文档布局分析能力集成到 spaCy 生态的 Python 库，旨在让开发者用统一接口处理 PDF、Word 等复杂文档，并将版面结构（如段落、表格、标题）转化为可查询的语义对象。它解决了传统 NLP 工具无法直接理解文档物理布局的问题，通过抽取文本块的空间坐标和层级关系，使后续的文本挖掘、信息抽取和问答系统能感知文档结构。核心能力包括：自动识别文档中的文本区域和版面元素，输出带坐标和类型的结构化数据；与 spaCy 的 Doc 对象无缝衔接，支持管道式处理；提供轻量级 API，便于集成到现有 NLP 流程中。项目目前处于早期阶段，但设计思路新颖，适合需要处理非纯文本文档的 NLP 应用。