kreuzberg
活跃·★ 9.5k·MIT·更新于 2026-10-27
★ 必备神器★ 时下流行
Kreuzberg 可以从多种文件格式（57 种以上）中提取文本和元数据，生成向量嵌入并对结果做后处理，以原生速度运行，不需要 GPU。核心用 Rust 编写，使用原生 PDFium、SIMD 优化和完全并行，流式解析器让处理数 GB 的大文件时内存占用更低。
它为 Rust、Python、TypeScript 和 Node.js（包括面向浏览器、Deno 和 Cloudflare Workers 的 WebAssembly 版本）、Ruby、Go、Java、C#、PHP 和 Elixir 提供原生绑定，同一个引擎既可以作为库，也可以作为命令行、REST API 服务或 MCP 服务使用。支持的格式包括 PDF、Office 文档、图片、HTML、XML、电子邮件、压缩包和学术格式。OCR 可通过 Tesseract（原生绑定支持所有语言）、Python 中的 EasyOCR 和 PaddleOCR、Node.js 中的 Guten 实现，插件系统允许自定义 OCR 后端、校验器、后处理器和提取器。还包含可选的嵌入支持，项目采用 MIT 许可证。
#文档处理#数据提取#光学字符识别#多语言#嵌入向量
01
功能特性
01可扩展架构，带有用于自定义后端和处理器的插件系统。
02多语言支持，为10多种编程语言提供原生绑定。
03全面支持8大类、57种以上文件格式，包括Office文档、PDF和图像。
04先进的OCR功能，支持多种后端和智能表格检测。
05基于Rust核心、SIMD优化和完全并行化带来的高性能。
02
为什么选择它
+一个引擎读取 57 种以上格式（PDF、Office、图片、HTML、邮件、压缩包、学术格式），无需 GPU。
+为九种语言提供原生绑定，另有命令行、REST 和 MCP 服务，适合大多数技术栈。
+Rust 核心加流式解析器，在处理数 GB 文件时速度和内存占用都比较合理。
+插件系统支持自定义 OCR 后端、校验器、后处理器和提取器。
03
权衡点
!各平台支持并不完全一致：README 的表格显示 Ruby 绑定没有 Windows 版本。
!OCR 选项因语言而异（EasyOCR 和 PaddleOCR 仅限 Python，Guten 仅限 Node.js），结果取决于你选择的绑定。
!嵌入功能是可选的，需要额外配置，提取质量也取决于文档类型和 OCR 后端。
05
维护状况检查
活跃检查日期: 2026-10-25
- 最近提交
- 2026-10-25
- 近 90 天提交数
- 100+
- 近 90 天发布数
- 30
- 最新发布
- v1.3.10 (2026-10-13)
- 未关闭 issue
- 22
- 近期 issue 至少有一条评论的比例
- 12/23
近 12 周每周提交数
最早的一周在左边，最近 4 周为橙色。数据来源：GitHub 提交统计。
状态规则：GitHub 上已归档 = 已归档；最近提交在 90 天内 = 活跃；91 到 365 天 = 放缓；更久 = 停滞。所有数字来自所示日期的 GitHub API。
讨论最多的未关闭 issue
- #1567 chore(lint): pay down the size and complexity baseline14 条评论 · 2026-09-05
- #2132 bug(ocr): VLM transcription drops repeated body paragraphs6 条评论 · 2026-10-16
- #2126 release: prepare 1.4.0 after security, runtime and artifact gates4 条评论 · 2026-10-16
- #2236 ci: workflows build an unreleased ai-rulez that does not match the named 5.3.01 条评论 · 2026-10-24
- #2182 HTML extraction panics on whitespace-only inline formatting (xberg 1.3.5–1.3.10, html-to-markdown-rs 3.17)1 条评论 · 2026-10-20
issue 标题引自 GitHub。请打开链接确认该问题是否仍适用于你使用的版本。
04
适合谁
适合选它的情况
- 你在搭建数据导入流水线，需要在没有 GPU 的情况下从 57 种以上格式提取文本和元数据。
- 你的技术栈是 Rust、Python、TypeScript、Ruby、Go、Java、C#、PHP 或 Elixir，或者需要 WebAssembly 版本。
- 你要处理几 GB 的文件，需要流式解析，或想通过插件接入自定义 OCR。
建议换别的情况
- 你只想让助手在聊天里读个文件：简单的 MCP 转换器更快装好。
- 你需要在 Windows 上用 Ruby 绑定：README 的表格显示没有 Windows 版本。
- 你需要各语言一致的 OCR：EasyOCR 和 PaddleOCR 只支持 Python，Guten 只支持 Node.js。
06
与同类的区别
07
兼容性
Rust
核心库
已通过文档验证
Python
语言绑定
已通过文档验证
Elixir
语言绑定
已通过文档验证
Node.js
语言绑定
已通过文档验证
WASM
WebAssembly 支持
已通过文档验证
Java
语言绑定
已通过文档验证
08
快速开始
1
$ pip install kreuzberg
09
使用场景
↳从各种文档类型中自动提取文本、元数据和结构化数据。
↳构建智能文档处理管道，用于数据摄取和分析。
↳为非结构化和半结构化内容实现高效的搜索和检索系统。
10
同类工具
收录于以下清单
评论
登录后发表评论
暂无评论，来发表第一条吧