Git Stars Git Stars

#data-extraction Repositorios

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

131 repositorios en total

51
hi-primus/optimus

:truck: Flujos de trabajo de preparación de datos ágiles hechos fáciles con Pandas, Dask, cuDF, Dask-cuDF, Vaex y PySpark

hi-primus
⭐ 1,539 Python 👤 hi-primus Organization 🕐 Actualizado 2024-12-02 📅 Creado 2017-07-13
52
chinoogawa/fbht

Herramienta de Hackeo de Facebook

chinoogawa
⭐ 1,510 Python 👤 chinoogawa User 🕐 Actualizado 2024-05-09 📅 Creado 2013-12-16
53
ShilongLee/Crawler

Servidor de interfaz API de código abierto para web scraping de plataformas como Douyin (a_bogus última versión), Kuaishou, Bilibili, Xiaohongshu, Taobao, JD.com, Weibo, etc. Rápida implementación con Docker con un solo clic.

ShilongLee
⭐ 1,490 JavaScript 👤 ShilongLee User 🕐 Actualizado 2026-10-19 📅 Creado 2024-05-24
54
HolographicHat/Yae

Herramienta de exportación de datos de Genshin Impact más rápida y precisa

HolographicHat
⭐ 1,471 C# 👤 HolographicHat User 🕐 Actualizado 2026-11-15 📅 Creado 2022-03-21
55
Miserlou/SoundScrape

Descargador de SoundCloud (y Bandcamp y Mixcloud) en Python.

Miserlou
⭐ 1,436 Python 👤 Miserlou User 🕐 Actualizado 2024-06-23 📅 Creado 2013-12-29
56
wyzxxz/heapdump_tool

Herramienta de consulta de información sensible de heapdump, por ejemplo, para buscar contraseñas en texto plano, AK, SK, etc. en heapdumps de spring

wyzxxz
⭐ 1,430 👤 wyzxxz User 🕐 Actualizado 2024-05-21 📅 Creado 2021-08-06
57
ScrapingBee/ai-web-scraper

Extraiga datos sin esfuerzo con nuestra API de scraper con IA. Simplifique la extracción de datos, obtenga salidas JSON limpias y adáptese a los cambios de página. ¡Pruébela gratis hoy mismo!

ScrapingBee
⭐ 1,424 👤 ScrapingBee Organization 🕐 Actualizado 2026-03-13 📅 Creado 2026-03-12
58
thinh-vu/vnstock

Un kit de herramientas Python potente pero amigable para principiantes para análisis y automatización financiera, diseñado para hacer que la inversión moderna sea accesible para todos

thinh-vu
⭐ 1,422 👤 thinh-vu User 🕐 Actualizado 2026-11-07 📅 Creado 2022-02-27
59
facundoolano/app-store-scraper

Extraer datos de la iTunes App Store

facundoolano
⭐ 1,396 JavaScript 👤 facundoolano User 🕐 Actualizado 2025-07-27 📅 Creado 2016-05-31
60
raznem/parsera

Biblioteca ligera para hacer scraping de sitios web con LLMs

raznem
⭐ 1,372 Python 👤 raznem User 🕐 Actualizado 2025-12-17 📅 Creado 2024-08-12
61
philippta/flyscrape

Flyscrape es una herramienta de web scraping de línea de comandos diseñada para aquellos sin habilidades avanzadas de programación.

philippta
⭐ 1,347 Go 👤 philippta User 🕐 Actualizado 2025-11-24 📅 Creado 2023-08-28
62
mvdbos/php-spider

Un araña web PHP configurable y extensible

mvdbos
⭐ 1,338 PHP 👤 mvdbos User 🕐 Actualizado 2026-11-02 📅 Creado 2013-02-25
63
Sniper970119/dianping_spider

Crawler de Dianping (se puede rastrear en todo el sitio, resuelve el cifrado de fuentes dinámicas, no OCR). Actualización continua

Sniper970119
⭐ 1,329 Python 👤 Sniper970119 User 🕐 Actualizado 2026-11-03 📅 Creado 2021-01-22
64
jbarrow/commonforms

CommonForms — modelos abiertos para detectar automáticamente los campos de formulario PDF

jbarrow
⭐ 1,309 Python 👤 jbarrow User 🕐 Actualizado 2026-06-17 📅 Creado 2025-09-17
65
firecrawl/fire-enrich

Herramienta de enriquecimiento de datos impulsada por IA que transforma correos electrónicos en conjuntos de datos enriquecidos con perfiles de empresas, datos de financiación, pilas tecnológicas y más utilizando Firecrawl e IA multiagente

firecrawl
⭐ 1,308 TypeScript 👤 firecrawl Organization 🕐 Actualizado 2026-10-26 📅 Creado 2025-06-06
66
fastcrw/crw

Alternativa rápida y ligera a Firecrawl/Tavily escrita en Rust. API de web scraping, rastreo y búsqueda con servidor MCP para agentes de IA. API compatible con Firecrawl (/scrape, /crawl, /search). 2.3 veces más rápida que Tavily y 1.5 veces más rápida que Firecrawl en pruebas de 1K URL. 6 MB de RAM, binario único. Autohospedaje o uso en la nube gestionada.

fastcrw
⭐ 1,284 Rust 👤 fastcrw Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-03-02
67
raawaa/jav-scrapy

El trabajador esclavo para la captura masiva de enlaces magnéticos AV o portadas

raawaa
⭐ 1,275 JavaScript 👤 raawaa User 🕐 Actualizado 2026-10-17 📅 Creado 2015-10-31
68
google/textfsm

Módulo de Python para analizar texto semiestructurado en tablas de Python.

google
⭐ 1,258 Python 👤 google Organization 🕐 Actualizado 2026-11-16 📅 Creado 2015-06-23
69
KillzXGaming/Switch-Toolbox

Una herramienta para editar muchos formatos de archivos de videojuegos

KillzXGaming
⭐ 1,249 C# 👤 KillzXGaming User 🕐 Actualizado 2026-11-15 📅 Creado 2018-11-12
71
yfedoseev/pdf_oxide

La biblioteca PDF más rápida para Python y Rust. Extracción de texto, extracción de imágenes, conversión a markdown, creación y edición de PDF. Media de 0.8 ms, 5× más rápida que los líderes de la industria, tasa de aprobación del 100% en 3.830 PDFs. MIT/Apache-2.0.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Actualizado 2026-11-21 📅 Creado 2025-11-05
72
andreroggeri/pynubank

Accede a tus extractos de Nubank mediante Python

andreroggeri
⭐ 1,197 Python 👤 andreroggeri User 🕐 Actualizado 2026-11-19 📅 Creado 2017-06-19
73
dchrastil/ScrapedIn

Una herramienta para hacer scraping de LinkedIn sin restricciones de API para la reconnaissance de datos

dchrastil
⭐ 1,168 Python 👤 dchrastil User 🕐 Actualizado 2024-04-11 📅 Creado 2018-03-29
74
soxoj/socid-extractor

⛏️ El motor de extracción detrás de Maigret: convierte cualquier URL de perfil en un registro OSINT estructurado en más de 150 sitios

soxoj
⭐ 1,143 Python 👤 soxoj User 🕐 Actualizado 2026-11-20 📅 Creado 2019-11-17
76
caolvchong-top/twitter_download

Twitter Imágenes Vídeos Crawler; Descarga en un clic

caolvchong-top
⭐ 1,087 Python 👤 caolvchong-top User 🕐 Actualizado 2026-07-28 📅 Creado 2022-08-23
77
utkarshkukreti/select.rs

Una biblioteca de Rust para extraer datos útiles de documentos HTML, adecuada para web scraping.

utkarshkukreti
⭐ 1,018 Rust 👤 utkarshkukreti User 🕐 Actualizado 2025-03-19 📅 Creado 2015-07-15
78
stravalib/stravalib

Biblioteca para proporcionar una interfaz de cliente simple a la API REST de Strava (v3).

stravalib
⭐ 1,002 Python 👤 stravalib Organization 🕐 Actualizado 2026-11-21 📅 Creado 2013-03-17
79
WittmannF/sort-google-scholar

Clasificación de resultados de búsqueda de Google Scholar basada en el número de citas

WittmannF
⭐ 999 Python 👤 WittmannF User 🕐 Actualizado 2026-10-30 📅 Creado 2016-04-30
80
busiyiworld/maimemo-export

Para exportar las bibliotecas de vocabulario de MoMo Vokabeltrainer y generar bibliotecas de vocabulario personalizadas adecuadas para List Vokabeltrainer, BuBei Vokabeltrainer, Oulu Dictionary, etc.

busiyiworld
⭐ 995 TypeScript 👤 busiyiworld Organization 🕐 Actualizado 2025-10-30 📅 Creado 2021-03-29
81
YaoZeyuan/zhihuhelp

Reescritura del asistente de Zhihu basada en Node y TypeScript

YaoZeyuan
⭐ 985 TypeScript 👤 YaoZeyuan User 🕐 Actualizado 2026-10-24 📅 Creado 2019-02-04
82
AutoAccountingOrg/AutoAccounting

¡Cada una de tus facturas merece ser registrada!

AutoAccountingOrg
⭐ 984 Kotlin 👤 AutoAccountingOrg Organization 🕐 Actualizado 2026-10-23 📅 Creado 2024-01-04
84
paperswithcode/paperswithcode-data

El conjunto de datos completo detrás de paperswithcode.com

paperswithcode
⭐ 938 👤 paperswithcode Organization 🕐 Actualizado 2025-09-08 📅 Creado 2019-01-31
85
browser-use/awesome-prompts

Tabla de impresionantes indicaciones de uso del navegador

browser-use
⭐ 926 👤 browser-use Organization 🕐 Actualizado 2025-03-26 📅 Creado 2025-03-26
86
eclaire-labs/eclaire

Asistente de IA local y de código abierto para sus datos. Unifique tareas, notas, documentos, fotos y marcadores. Privado, autohospedado y extensible a través de API.

eclaire-labs
⭐ 925 TypeScript 👤 eclaire-labs Organization 🕐 Actualizado 2026-11-08 📅 Creado 2025-09-02
87
goose3/goose3

Una versión compatible con Python 3 de goose http://goose3.readthedocs.io/en/latest/index.html

goose3
⭐ 916 HTML 👤 goose3 Organization 🕐 Actualizado 2026-07-23 📅 Creado 2016-12-11
88
Rishikant181/Rettiwt-API

¡Una herramienta CLI y una API para obtener datos de Twitter gratis!

Rishikant181
⭐ 904 TypeScript 👤 Rishikant181 User 🕐 Actualizado 2026-11-10 📅 Creado 2022-01-24
⭐ 900 👤 golangboy User 🕐 Actualizado 2025-03-25 📅 Creado 2025-03-24
90
Mingtzge/2019-CCF-BDCI-OCR-MCZJ-OCR-IdentificationIDElement

Concurs 2019CCF-BDCI Ganador del Premio a la Mejor Exploración Innovadora Campeón del tema de extracción de elementos de DNI basado en OCR Equipo Tianchen Poxiao Código fuente del tema

Mingtzge
⭐ 899 Python 👤 Mingtzge User 🕐 Actualizado 2024-07-25 📅 Creado 2019-12-30
91
microsoft/typeagent-py

RAG Estructurado: ingesta, indexación, consulta

microsoft
⭐ 898 Python 👤 microsoft Organization 🕐 Actualizado 2026-11-14 📅 Creado 2025-09-09
93
coddingtonbear/python-myfitnesspal

Accede a tus datos de seguimiento de comidas almacenados en MyFitnessPal de forma programática

coddingtonbear
⭐ 875 Python 👤 coddingtonbear User 🕐 Actualizado 2025-09-28 📅 Creado 2013-07-16
94
frictionlessdata/frictionless-py

Framework de gestión de datos para Python que proporciona funcionalidad para describir, extraer, validar y transformar datos tabulares

frictionlessdata
⭐ 859 Python 👤 frictionlessdata Organization 🕐 Actualizado 2026-10-15 📅 Creado 2014-12-23
95
longxiaofei/spider-BaiduIndex

SDK de datos para Baidu Index

longxiaofei
⭐ 800 Python 👤 longxiaofei User 🕐 Actualizado 2025-11-24 📅 Creado 2018-09-27
96
linkedin/URL-Detector

Una biblioteca Java para detectar y normalizar URL en texto

linkedin
⭐ 786 Java 👤 linkedin Organization 🕐 Actualizado 2025-07-12 📅 Creado 2015-02-06
97
LYiHub/platform-war-public

Un chatbot/marco GraphRAG que crea agentes multi-LLM a partir de comentarios de usuarios de plataformas sociales y les permite debatir sobre temas específicos.

LYiHub
⭐ 783 Python 👤 LYiHub Organization 🕐 Actualizado 2024-12-14 📅 Creado 2024-12-14
98
Higurashi-kagome/wereader

Una extensión del navegador: se utiliza principalmente para tomar notas en WeChat Read y es bastante útil para los lectores que utilizan con frecuencia Markdown para tomar notas.

Higurashi-kagome
⭐ 775 TypeScript 👤 Higurashi-kagome User 🕐 Actualizado 2025-08-31 📅 Creado 2020-06-04
99
mattsse/voyager

rastrear y extraer páginas web en rust

mattsse
⭐ 767 Rust 👤 mattsse User 🕐 Actualizado 2024-12-14 📅 Creado 2020-12-22
100
python-mechanize/mechanize

El código fuente oficial del proyecto python-mechanize

python-mechanize
⭐ 760 Python 👤 python-mechanize Organization 🕐 Actualizado 2026-11-16 📅 Creado 2017-03-08