Git Stars Git Stars

#data-extraction Repositorios

Descubre 131 repositorios activos de código abierto de GitHub etiquetados con #data-extraction, que acumulan 729,329 estrellas en total (una media de 5,567 estrellas por proyecto). El líder de este tema es firecrawl/firecrawl, con 205,758 estrellas.

131
Total de Repositorios
729,329
Total de estrellas
5,567
Promedio de Estrellas/Repo

131 repositorios en total

1
firecrawl/firecrawl

Infraestructura de conocimiento para hacer más inteligentes a sus agentes. Busque, extraiga y acceda a más de 550 proveedores de datos a través de una sola API.

firecrawl
⭐ 205,758 TypeScript 👤 firecrawl Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-04-15
2
D4Vinci/Scrapling

🕷️ ¡El MEJOR framework de web scraping, capaz de gestionar desde una sola solicitud hasta un rastreo a gran escala! No seas tímido: únete aquí https://discord.gg/EMgGbDceNQ y síguenos aquí para recibir consejos y trucos a diario: https://x.com/Scrapling_dev

D4Vinci
⭐ 104,760 Python 👤 D4Vinci User 🕐 Actualizado 2026-11-17 📅 Creado 2024-10-13
3
unclecode/crawl4ai

Crawl4AI Cloud oficial: una API alojada de scraping web, extracción y búsqueda para agentes de IA. Clave API gratuita, 1.000 créditos al mes y sin tarjeta. Totalmente de código abierto: este repositorio contiene el rastreador Apache-2.0 que lo hace posible, y puedes alojarlo por tu cuenta.

unclecode
⭐ 87,627 Python 👤 unclecode User 🕐 Actualizado 2026-11-20 📅 Creado 2024-05-09
4
ScrapeGraphAI/Scrapegraph-ai

Scraper de Python basado en IA

ScrapeGraphAI
⭐ 32,877 Python 👤 ScrapeGraphAI Organization 🕐 Actualizado 2026-10-06 📅 Creado 2024-01-27
5
browserbase/stagehand

El SDK para extraer datos e interactuar con cualquier sitio web. Empieza con Claude Code, Codex, Eve, Mastra y mucho más.

browserbase
⭐ 26,109 TypeScript 👤 browserbase Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-03-24
6
getmaxun/maxun

Convierte cualquier sitio web en una API estructurada. Extrae, automatiza, busca y supervisa la web.

getmaxun
⭐ 18,538 TypeScript 👤 getmaxun Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-10-23
7
ReFirmLabs/binwalk

Herramienta de análisis de firmware

ReFirmLabs
⭐ 14,731 Rust 👤 ReFirmLabs Organization 🕐 Actualizado 2026-08-11 📅 Creado 2013-11-15
8
phiresky/ripgrep-all

rga: ripgrep, pero también busca en PDFs, libros electrónicos, documentos de Office, zip, tar.gz, etc.

phiresky
⭐ 9,937 Rust 👤 phiresky User 🕐 Actualizado 2026-09-17 📅 Creado 2019-06-04
9
scrapinghub/portia

Scraping visual para Scrapy

scrapinghub
⭐ 9,479 Python 👤 scrapinghub Organization 🕐 Actualizado 2024-06-26 📅 Creado 2014-03-21
10
cv-cat/Spider_XHS

Recopilación de datos mediante rastreador de Xiaohongshu (RED), ingeniería inversa de Xiaohongshu, mensajes privados, transmisión en vivo y soluciones de operación integral en Xiaohongshu

cv-cat
⭐ 8,542 Python 👤 cv-cat User 🕐 Actualizado 2026-10-22 📅 Creado 2023-08-08
11
ericchiang/pup

Análisis de HTML en la línea de comandos

ericchiang
⭐ 8,372 HTML 👤 ericchiang User 🕐 Actualizado 2024-05-02 📅 Creado 2014-09-01
12
mgdm/htmlq

Como jq, pero para HTML.

mgdm
⭐ 7,591 Rust 👤 mgdm User 🕐 Actualizado 2026-05-27 📅 Creado 2019-05-07
13
browser-act/skills

CLI de automatización de navegador construida para agentes de IA. Supere barreras anti-bot, transfiera a humanos en múltiples plataformas cuando esté atascado. Ejecución paralela de múltiples tareas, operación independiente de múltiples sesiones, navegación aislada de múltiples cuentas.

browser-act
⭐ 6,385 Python 👤 browser-act Organization 🕐 Actualizado 2026-11-04 📅 Creado 2026-02-06
14
nickscamara/open-deep-research

Un clon de investigación profunda de código abierto. Agente de IA que razona sobre grandes cantidades de datos web extraídos con Firecrawl.

nickscamara
⭐ 6,242 TypeScript 👤 nickscamara User 🕐 Actualizado 2025-05-07 📅 Creado 2025-02-03
15
MontFerret/ferret

Lenguaje de automatización de datos declarativo y tiempo de ejecución de Go para flujos de trabajo de extracción estructurada.

MontFerret
⭐ 6,025 Go 👤 MontFerret Organization 🕐 Actualizado 2026-11-19 📅 Creado 2018-08-23
16
matthewmueller/x-ray

El siguiente web scraper. Ve a través del ruido de <html>.

matthewmueller
⭐ 5,899 JavaScript 👤 matthewmueller User 🕐 Actualizado 2026-08-31 📅 Creado 2015-02-05
17
vi3k6i5/flashtext

Extraer palabras clave de oraciones o reemplazar palabras clave en oraciones.

vi3k6i5
⭐ 5,714 Python 👤 vi3k6i5 User 🕐 Actualizado 2025-04-13 📅 Creado 2017-08-15
18
Hammer1/cozeworkflows

Colección de más de 200 flujos de trabajo de Coze, en constante actualización

Hammer1
⭐ 5,446 👤 Hammer1 User 🕐 Actualizado 2025-07-27 📅 Creado 2025-07-27
19
ultrafunkamsterdam/nodriver

Sucesor de Undetected-Chromedriver. Proporciona un framework ultrarrápido para la automatización web, el web scraping, bots y cualquier otra idea creativa que normalmente se ve obstaculizada por molestos sistemas anti-bot como Captcha / CloudFlare / Imperva / hCaptcha.

ultrafunkamsterdam
⭐ 4,950 Python 👤 ultrafunkamsterdam User 🕐 Actualizado 2026-10-26 📅 Creado 2024-02-20
20
REMitchell/python-scraping

Ejemplos de código del libro Web Scraping with Python http://shop.oreilly.com/product/0636920034391.do

REMitchell
⭐ 4,669 Jupyter Notebook 👤 REMitchell User 🕐 Actualizado 2024-06-01 📅 Creado 2015-06-14
21
AhmadHassan-BTed/Noria

Un extractor agéntico para plataformas de mensajería. Noria recibe mensajes y URL por chat, recopila datos de la web para evaluar el contenido según matrices de puntuación personalizadas (por ejemplo, empleos y becas) y envía un resumen estructurado con una puntuación de compatibilidad calculada directamente al número de mensajería asignado.

AhmadHassan-BTed
⭐ 4,624 JavaScript 👤 AhmadHassan-BTed User 🕐 Actualizado 2026-11-10 📅 Creado 2026-05-31
22
meta/duckling

Lenguaje, motor y herramientas para expresar, probar y evaluar reglas de lenguaje compuestas en cadenas de entrada.

meta
⭐ 4,328 Haskell 👤 meta Organization 🕐 Actualizado 2026-03-15 📅 Creado 2017-03-02
23
tomnomnom/waybackurls

Obtener todas las URLs que la Wayback Machine conoce para un dominio

tomnomnom
⭐ 4,255 Go 👤 tomnomnom User 🕐 Actualizado 2024-05-01 📅 Creado 2018-01-24
24
scrapinghub/splash

Navegador ligero y programable como servicio con una API HTTP

scrapinghub
⭐ 4,197 Python 👤 scrapinghub Organization 🕐 Actualizado 2024-08-02 📅 Creado 2013-05-20
25
CrawlScript/WebCollector

WebCollector es un framework de rastreo web de código abierto basado en Java. Proporciona algunas interfaces sencillas para rastrear la Web, puede configurar un rastreador web multihilo en menos de 5 minutos.

CrawlScript
⭐ 3,073 Java 👤 CrawlScript Organization 🕐 Actualizado 2026-02-10 📅 Creado 2014-07-12
26
goldsmith/Wikipedia

Un wrapper Pythonic para la API de Wikipedia

goldsmith
⭐ 3,014 Python 👤 goldsmith User 🕐 Actualizado 2026-10-25 📅 Creado 2013-08-20
27
brightdata/brightdata-mcp

Un potente servidor Model Context Protocol (MCP) que proporciona una solución todo en uno para el acceso a la web pública.

brightdata
⭐ 2,733 JavaScript 👤 brightdata Organization 🕐 Actualizado 2026-11-18 📅 Creado 2025-04-15
28
smalot/pdfparser

PdfParser, una biblioteca PHP independiente, proporciona varias herramientas para extraer datos de un archivo PDF.

smalot
⭐ 2,732 PHP 👤 smalot User 🕐 Actualizado 2026-10-13 📅 Creado 2013-08-30
29
Predidit/KazumiRules

El repositorio de alojamiento de reglas de Kazumi, ¡bienvenidas las contribuciones! ^•ﻌ•^

Predidit
⭐ 2,653 Dart 👤 Predidit User 🕐 Actualizado 2026-11-13 📅 Creado 2024-05-22
30
Bistutu/GoMusic

Migrar listas de reproducción de Netease Cloud/Qishui/QQ Music a Apple/Youtube/Spotify Music

Bistutu
⭐ 2,552 Go 👤 Bistutu User 🕐 Actualizado 2026-11-21 📅 Creado 2023-10-07
31
tavily-ai/tavily-mcp

Servidor MCP listo para producción con búsqueda en tiempo real, extracción, mapeo y rastreo.

tavily-ai
⭐ 2,499 TypeScript 👤 tavily-ai Organization 🕐 Actualizado 2026-11-18 📅 Creado 2025-01-27
32
jmespath/jmespath.py

JMESPath es un lenguaje de consulta para JSON.

jmespath
⭐ 2,458 Python 👤 jmespath Organization 🕐 Actualizado 2026-04-20 📅 Creado 2013-02-19
33
saifyxpro/HeadlessX

Plataforma de automatización de navegador autoalojado e indetectable. Impulsada por Camoufox (Firefox) para tasas de detección del 0%. Construida para velocidad, privacidad y escalabilidad.

saifyxpro
⭐ 2,365 TypeScript 👤 saifyxpro User 🕐 Actualizado 2026-11-12 📅 Creado 2025-09-12
34
dataabc/weibo-search

Obtener información de los resultados de búsqueda de Weibo, la búsqueda puede ser una búsqueda por palabra clave de Weibo o una búsqueda por tema de Weibo

dataabc
⭐ 2,340 Python 👤 dataabc User 🕐 Actualizado 2026-06-05 📅 Creado 2020-03-25
35
decaywood/XueQiuSuperSpider

Super Rastreador de Información de Acciones de Xueqiu

decaywood
⭐ 2,326 Java 👤 decaywood User 🕐 Actualizado 2024-03-27 📅 Creado 2015-11-24
36
opendatalab/DocLayout-YOLO

DocLayout-YOLO: Mejora del análisis de diseño de documentos a través de datos sintéticos diversos y percepción adaptativa de global a local

opendatalab
⭐ 2,315 Python 👤 opendatalab Organization 🕐 Actualizado 2026-10-21 📅 Creado 2024-10-14
39
hhursev/recipe-scrapers

Paquete de Python para extraer datos de recetas

hhursev
⭐ 2,263 Python 👤 hhursev User 🕐 Actualizado 2026-11-15 📅 Creado 2015-09-14
40
shcherbak-ai/contextgem

Extrae datos estructurados e información valiosa de documentos mediante modelos de lenguaje grandes y modelos de decisión

shcherbak-ai
⭐ 2,095 Python 👤 shcherbak-ai Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-10-11
41
xaitax/TotalRecall

Esta herramienta extrae y muestra datos de la función Recall en Windows 11, proporcionando una forma fácil de acceder a información sobre las instantáneas de actividad de su PC.

xaitax
⭐ 2,037 Python 👤 xaitax User 🕐 Actualizado 2024-06-08 📅 Creado 2024-06-03
42
jmespath/jmespath.php

Especifique declarativamente cómo extraer elementos de un documento JSON, en PHP

jmespath
⭐ 2,013 PHP 👤 jmespath Organization 🕐 Actualizado 2026-11-17 📅 Creado 2013-07-06
43
KEV0143/Parser-Chitai-Gorod

Analizador inteligente para el catálogo «Chitai-Gorod». Recolección y estructuración de datos de alta velocidad basada en cualquier parámetro especificado: desde el ISBN hasta la dinámica de descuentos.

KEV0143
⭐ 1,979 Python 👤 KEV0143 User 🕐 Actualizado 2026-09-17 📅 Creado 2025-05-18
45
extractus/article-extractor

Extraer artículo de la URL proporcionada

extractus
⭐ 1,920 TypeScript 👤 extractus Organization 🕐 Actualizado 2026-08-20 📅 Creado 2015-11-29
46
Kengxxiao/ArknightsGameData

Datos del juego Arknights

Kengxxiao
⭐ 1,907 Lua 👤 Kengxxiao User 🕐 Actualizado 2026-11-16 📅 Creado 2019-12-31
47
shuchkin/simplexlsx

Analizar y recuperar datos de archivos Excel XLSx

shuchkin
⭐ 1,829 PHP 👤 shuchkin User 🕐 Actualizado 2026-10-20 📅 Creado 2016-05-25
48
DQinYuan/chinese_province_city_area_mapper

Un módulo de Python para extraer provincias, ciudades y distritos de cadenas de texto en chino simplificado y realizar mapeo, validación y gráficos simples

DQinYuan
⭐ 1,770 Python 👤 DQinYuan User 🕐 Actualizado 2024-03-19 📅 Creado 2018-03-04
49
biuuu/star-rail-warp-export

Exportador de Historial de Warp de Honkai: Star Rail

biuuu
⭐ 1,640 JavaScript 👤 biuuu User 🕐 Actualizado 2026-11-11 📅 Creado 2023-05-01
50
JonathanLink/PDFLayoutTextStripper

Convierte un archivo PDF en un archivo de texto conservando la disposición del PDF original. Resulta útil, por ejemplo, para extraer el contenido de una tabla de un archivo PDF. Es una subclase de la clase PDFTextStripper de la biblioteca Apache PDFBox.

JonathanLink
⭐ 1,612 Java 👤 JonathanLink User 🕐 Actualizado 2026-11-18 📅 Creado 2015-10-11

Preguntas frecuentes

1

¿Cuál es el repositorio de #data-extraction más popular en GitHub?

El proyecto de código abierto de #data-extraction mejor posicionado en GitHub es firecrawl/firecrawl, con 205,758 estrellas. Infraestructura de conocimiento para hacer más inteligentes a sus agentes. Busque, extraiga y acceda a más de 550 proveedores de datos a través de una sola API.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #data-extraction?

Entre los proyectos de #data-extraction mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, TypeScript, JavaScript, Rust.

3

¿Cómo se calcula la clasificación de los repositorios de #data-extraction?

Seguimos 131 repositorios activos de código abierto etiquetados con #data-extraction (500+ estrellas), que suman un total de 729,329 estrellas, con una media de 5,567 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.