Git Stars Git Stars

#text-extraction Repositories

Entdecke 27 aktive Open-Source-GitHub-Repositories, die mit #text-extraction getaggt sind und insgesamt 101,655 Sterne gesammelt haben (durchschnittlich 3,765 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist firecrawl/pdf-inspector mit 20,082 Sternen.

27
Gesamtzahl der Repositories
101,655
Gesamtanzahl der Sterne
3,765
Durchschnittliche Sterne/Repo

Insgesamt 27 Repositories

1
firecrawl/pdf-inspector

Schnelle Rust-Bibliothek für PDF-Inspektion, -Klassifikation und -Textextraktion. Erkennt intelligent gescannte vs. textbasierte PDFs, um smarte Routing-Entscheidungen zu ermöglichen.

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2026-02-06
2
allenai/olmocr

Toolkit zur Linearisierung von PDFs für LLM-Datensätze/Training

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Aktualisiert 2026-03-25 📅 Erstellt 2024-09-17
3
run-llama/liteparse

Ein schneller, hilfreicher und Open-Source-Dokumentenparser

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2026-02-09
4
xberg-io/xberg

Die schnelle, präzise Dokumentenintelligenz-Engine für alle Sprachen: Texte, Tabellen und Metadaten aus über 100 Formaten – mit OCR, Transkription und Code-Intelligenz.

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2025-01-31
5
adbar/trafilatura

Python- und Kommandozeilen-Tool zum Sammeln von Text und Metadaten im Web: Crawling, Scraping, Extraktion, Ausgabe als CSV, JSON, HTML, MD, TXT, XML

adbar
⭐ 7,157 Python 👤 adbar User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2019-04-08
6
oomol-lab/pdf-craft

PDF craft kann PDF-Dateien in verschiedene andere Formate konvertieren. Dieses Projekt wird sich auf die Verarbeitung von PDF-Dateien gescannter Bücher konzentrieren.

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2025-02-12
7
miso-belica/sumy

Modul für die automatische Zusammenfassung von Textdokumenten und HTML-Seiten.

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 Aktualisiert 2026-11-11 📅 Erstellt 2013-02-20
8
unidoc/unipdf

Golang PDF-Bibliothek zum Erstellen und Verarbeiten von PDF-Dateien (reines Go)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 Aktualisiert 2026-10-20 📅 Erstellt 2019-05-16
9
schappim/macOCR

Holen Sie sich jeden Text auf Ihrem Bildschirm in Ihre Zwischenablage.

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 Aktualisiert 2026-09-04 📅 Erstellt 2021-05-19
10
nguyenq/tess4j

Java JNA-Wrapper für die Tesseract OCR API

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 Aktualisiert 2026-11-07 📅 Erstellt 2014-06-25
11
chrismattmann/tika-python

Tika-Python ist eine Python-Bibliothek für die Apache Tika™ REST-Services, die es ermöglicht, Tika nativ in der Python-Community aufzurufen.

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 Aktualisiert 2026-11-10 📅 Erstellt 2014-06-26
12
yfedoseev/pdf_oxide

Die schnellste PDF-Bibliothek für Python und Rust. Text-Extraktion, Bild-Extraktion, Markdown-Konvertierung, PDF-Erstellung & -Bearbeitung. 0,8 ms Mittelwert, 5× schneller als Branchenführer, 100% Erfolgsquote bei 3.830 PDFs. MIT/Apache-2.0.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2025-11-05
13
m417z/Textify

Ein Tool für Windows, um Text aus Dialogen und Steuerelementen zu kopieren, die das sonst nicht erlauben

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 Aktualisiert 2026-04-13 📅 Erstellt 2018-03-04
14
Lulzx/zpdf

Zero-Copy-PDF-Textextraktionsbibliothek, geschrieben in Zig. Hochleistungsfähiges, speicherabgebildetes Parsing mit SIMD-Beschleunigung.

Lulzx
⭐ 925 Zig 👤 Lulzx User 🕐 Aktualisiert 2026-08-13 📅 Erstellt 2025-12-30
⭐ 900 👤 golangboy User 🕐 Aktualisiert 2025-03-25 📅 Erstellt 2025-03-24
16
yigitkonur/api-llm-ocr

PDF in Markdown umwandeln mit Vision-LLMs – Tabellen, Layouts und Struktur erhalten

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 Aktualisiert 2026-02-21 📅 Erstellt 2024-09-22
17
xberg-io/html-to-markdown

Wandeln Sie unübersichtliches HTML aus der Praxis in sauberes Markdown um – in allen wichtigen Sprachen.

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2025-02-03
18
miso-belica/jusText

Heuristikbasiertes Boilerplate-Entfernungs-Tool

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 Aktualisiert 2026-10-21 📅 Erstellt 2013-02-10
19
ICIJ/datashare

Eine selbst gehostete Suchmaschine für Dokumente

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2016-04-20
20
Doriandarko/RepoToTextForLLMs

Automatisieren Sie die Analyse von GitHub-Repositorys für LLMs mit RepoToTextForLLMs. Holen Sie sich READMEs, Struktur und Nicht-Binärdateien effizient ab. Die Ausgaben umfassen Analyseaufforderungen, um eine umfassende Repository-Bewertung zu unterstützen.

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 Aktualisiert 2024-05-21 📅 Erstellt 2024-03-11
21
raghavan/PdfGptIndexer

RAG-basiertes Werkzeug zur Indizierung und Suche von PDF-Textdaten unter Verwendung der OpenAI API und eines FAISS (Facebook AI Similarity Search) Index, ausgelegt für schnelle Informationsbeschaffung und überlegene Suchgenauigkeit.

raghavan
⭐ 677 Python 👤 raghavan User 🕐 Aktualisiert 2025-11-02 📅 Erstellt 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

Automatische Frontend-Übersetzung. Unterstützt Youdao/Google/Baidu/benutzerdefinierte Übersetzer. Kompatibel mit webpack/vite/rollup/rsbuild, passt sich an alle in JS kompilierten Frameworks an, unterstützt Interpolationen, Namespaces usw. und hilft Ihnen, Ihr Projekt mit einem Klick zu übersetzen.

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 Aktualisiert 2026-02-01 📅 Erstellt 2023-09-04
23
jrmuizel/pdf-extract

Eine Rust-Bibliothek zum Extrahieren von Inhalten aus PDFs

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Aktualisiert 2026-09-16 📅 Erstellt 2017-02-01
24
ankushshah89/python-docx2txt

Ein reines Python-basiertes Hilfsprogramm zum Extrahieren von Text und Bildern aus docx-Dateien.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Aktualisiert 2025-03-24 📅 Erstellt 2015-10-28
25
ropensci/pdftools

Text-Extraktion, Rendering und Konvertierung von PDF-Dokumenten

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 Aktualisiert 2026-08-30 📅 Erstellt 2016-02-23
26
cdown/srt

Eine einfache Bibliothek und eine Reihe von Werkzeugen zum Parsen, Modifizieren und Komponieren von SRT-Dateien.

cdown
⭐ 528 Python 👤 cdown User 🕐 Aktualisiert 2024-03-19 📅 Erstellt 2014-12-28
27
JoshData/pdf-diff

Ein PDF-Vergleichsdienstprogramm in Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Aktualisiert 2026-02-08 📅 Erstellt 2014-06-09

Häufig gestellte Fragen

1

Welches ist das beliebteste #text-extraction-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#text-extraction-Projekt auf GitHub ist firecrawl/pdf-inspector mit 20,082 Sternen. Schnelle Rust-Bibliothek für PDF-Inspektion, -Klassifikation und -Textextraktion. Erkennt intelligent gescannte vs. textbasierte PDFs, um smarte Routing-Entscheidungen zu ermöglichen.

2

Welche Programmiersprachen werden in #text-extraction-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #text-extraction-Projekten auf GitHub sind Python, Rust, Java, C++ die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #text-extraction-Repositories berechnet?

Wir verfolgen 27 aktive Open-Source-Repositories, die mit #text-extraction getaggt sind (500+ Sterne), mit insgesamt 101,655 Sternen und durchschnittlich 3,765 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.