#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 repositorios en total
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.
🕷️ ¡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
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.
El SDK para extraer datos e interactuar con cualquier sitio web. Empieza con Claude Code, Codex, Eve, Mastra y mucho más.
Convierte cualquier sitio web en una API estructurada. Extrae, automatiza, busca y supervisa la web.
rga: ripgrep, pero también busca en PDFs, libros electrónicos, documentos de Office, zip, tar.gz, etc.
Recopilación de datos mediante rastreador de Xiaohongshu (RED), ingeniería inversa de Xiaohongshu, mensajes privados, transmisión en vivo y soluciones de operación integral en Xiaohongshu
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.
Un clon de investigación profunda de código abierto. Agente de IA que razona sobre grandes cantidades de datos web extraídos con Firecrawl.
Lenguaje de automatización de datos declarativo y tiempo de ejecución de Go para flujos de trabajo de extracción estructurada.
Colección de más de 200 flujos de trabajo de Coze, en constante actualización
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.
Ejemplos de código del libro Web Scraping with Python http://shop.oreilly.com/product/0636920034391.do
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.
Lenguaje, motor y herramientas para expresar, probar y evaluar reglas de lenguaje compuestas en cadenas de entrada.
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.
Un potente servidor Model Context Protocol (MCP) que proporciona una solución todo en uno para el acceso a la web pública.
PdfParser, una biblioteca PHP independiente, proporciona varias herramientas para extraer datos de un archivo PDF.
El repositorio de alojamiento de reglas de Kazumi, ¡bienvenidas las contribuciones! ^•ﻌ•^
Migrar listas de reproducción de Netease Cloud/Qishui/QQ Music a Apple/Youtube/Spotify Music
Servidor MCP listo para producción con búsqueda en tiempo real, extracción, mapeo y rastreo.
Plataforma de automatización de navegador autoalojado e indetectable. Impulsada por Camoufox (Firefox) para tasas de detección del 0%. Construida para velocidad, privacidad y escalabilidad.
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
DocLayout-YOLO: Mejora del análisis de diseño de documentos a través de datos sintéticos diversos y percepción adaptativa de global a local
Extrae datos estructurados e información valiosa de documentos mediante modelos de lenguaje grandes y modelos de decisión
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.
Especifique declarativamente cómo extraer elementos de un documento JSON, en PHP
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.
Un módulo de Python para extraer provincias, ciudades y distritos de cadenas de texto en chino simplificado y realizar mapeo, validación y gráficos simples
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.
Preguntas frecuentes
¿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.
¿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.
¿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.