#data-extraction Repositorios
131 repositorios en total
:truck: Flujos de trabajo de preparación de datos ágiles hechos fáciles con Pandas, Dask, cuDF, Dask-cuDF, Vaex y PySpark
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.
Herramienta de consulta de información sensible de heapdump, por ejemplo, para buscar contraseñas en texto plano, AK, SK, etc. en heapdumps de spring
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!
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
Flyscrape es una herramienta de web scraping de línea de comandos diseñada para aquellos sin habilidades avanzadas de programación.
Crawler de Dianping (se puede rastrear en todo el sitio, resuelve el cifrado de fuentes dinámicas, no OCR). Actualización continua
CommonForms — modelos abiertos para detectar automáticamente los campos de formulario PDF
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
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.
El trabajador esclavo para la captura masiva de enlaces magnéticos AV o portadas
Una herramienta para editar muchos formatos de archivos de videojuegos
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.
Una herramienta para hacer scraping de LinkedIn sin restricciones de API para la reconnaissance de datos
⛏️ El motor de extracción detrás de Maigret: convierte cualquier URL de perfil en un registro OSINT estructurado en más de 150 sitios
Una biblioteca de Rust para extraer datos útiles de documentos HTML, adecuada para web scraping.
Biblioteca para proporcionar una interfaz de cliente simple a la API REST de Strava (v3).
Clasificación de resultados de búsqueda de Google Scholar basada en el número de citas
Para exportar las bibliotecas de vocabulario de MoMo Vokabeltrainer y generar bibliotecas de vocabulario personalizadas adecuadas para List Vokabeltrainer, BuBei Vokabeltrainer, Oulu Dictionary, etc.
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.
Una versión compatible con Python 3 de goose http://goose3.readthedocs.io/en/latest/index.html
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
Accede a tus datos de seguimiento de comidas almacenados en MyFitnessPal de forma programática
Framework de gestión de datos para Python que proporciona funcionalidad para describir, extraer, validar y transformar datos tabulares
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.
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.