Git Stars Git Stars

#document-analysis Repositorios

Descubre 33 repositorios activos de código abierto de GitHub etiquetados con #document-analysis, que acumulan 134,538 estrellas en total (una media de 4,076 estrellas por proyecto). El líder de este tema es opendatalab/MinerU, con 84,093 estrellas.

33
Total de Repositorios
134,538
Total de estrellas
4,076
Promedio de Estrellas/Repo

33 repositorios en total

1
opendatalab/MinerU

Transforma documentos complejos como PDFs y documentos de Office en markdown/JSON listo para LLM para tus flujos de trabajo Agentic.

opendatalab
⭐ 84,093 Python 👤 opendatalab Organization 🕐 Actualizado 2026-11-20 📅 Creado 2024-02-29
2
bytedance/Dolphin

El repositorio oficial de “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.

bytedance
⭐ 9,065 Python 👤 bytedance Organization 🕐 Actualizado 2026-03-25 📅 Creado 2025-05-13
3
ucbepic/docetl

Un sistema para el procesamiento de datos y ETL impulsado por LLM agentivo

ucbepic
⭐ 4,266 Python 👤 ucbepic Organization 🕐 Actualizado 2026-11-17 📅 Creado 2024-07-09
4
camelot-dev/camelot

Una biblioteca de Python para extraer datos tabulares de PDFs

camelot-dev
⭐ 3,858 Python 👤 camelot-dev Organization 🕐 Actualizado 2026-11-21 📅 Creado 2019-07-01
5
echohive42/AI-reads-books-page-by-page

La IA lee libros: Extractor y Resumidor de Conocimiento de PDF Página por Página. el script realiza un análisis inteligente página por página de libros PDF, extrayendo metódicamente puntos de conocimiento y generando resúmenes progresivos a intervalos especificados

echohive42
⭐ 3,453 Python 👤 echohive42 User 🕐 Actualizado 2026-10-30 📅 Creado 2024-12-28
6
kba/awesome-ocr

Enlaces a proyectos OCR increíbles

kba
⭐ 3,074 👤 kba User 🕐 Actualizado 2024-07-06 📅 Creado 2016-04-27
7
UglyToad/PdfPig

Leer y extraer texto y otro contenido de PDFs en C# (puerto de PDFBox)

UglyToad
⭐ 2,626 C# 👤 UglyToad Organization 🕐 Actualizado 2026-11-10 📅 Creado 2017-11-09
8
DanBloomberg/leptonica

Leptonica es una biblioteca de código abierto que contiene software de gran utilidad para aplicaciones de procesamiento y análisis de imágenes. El repositorio oficial de GitHub para Leptonica es: danbloomberg/leptonica. Consulte leptonica.org para obtener más documentación.

DanBloomberg
⭐ 2,107 C 👤 DanBloomberg User 🕐 Actualizado 2026-11-20 📅 Creado 2016-01-13
9
NanoNets/docext

Un kit de herramientas local, sin OCR, para extracción de datos no estructurados, conversión a markdown y benchmarking. (https://idp-leaderboard.org/)

NanoNets
⭐ 2,086 Python 👤 NanoNets Organization 🕐 Actualizado 2026-03-17 📅 Creado 2025-03-25
10
AlibabaResearch/AdvancedLiterateMachinery

Una colección de ideas y algoritmos originales e innovadores para Maquinaria Literaria Avanzada. Este proyecto es mantenido por el Equipo OCR en el Language Technology Lab, Tongyi Lab, Alibaba Group.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Actualizado 2026-03-17 📅 Creado 2022-09-28
11
Topdu/OpenOCR

OpenOCR: Un conjunto de herramientas de código abierto para investigación y aplicaciones generales de OCR, integra un punto de referencia unificado de entrenamiento y evaluación, sistemas OCR y de análisis de documentos de grado comercial, y reproducciones fieles de las implementaciones principales de una amplia variedad de artículos académicos.

Topdu
⭐ 1,498 Python 👤 Topdu User 🕐 Actualizado 2026-09-21 📅 Creado 2024-05-31
12
DocumindHQ/documind

Plataforma de código abierto para extraer datos estructurados de documentos utilizando IA.

DocumindHQ
⭐ 1,475 JavaScript 👤 DocumindHQ Organization 🕐 Actualizado 2025-05-15 📅 Creado 2024-11-17
13
nishiwen1214/ChatReviewer

ChatReviewer: Analiza ensayos con ChatGPT, resaltando pros y contras y sugiriendo mejoras

nishiwen1214
⭐ 1,366 Python 👤 nishiwen1214 User 🕐 Actualizado 2024-11-22 📅 Creado 2023-03-18
14
Calamari-OCR/calamari

Motor ATR basado en líneas basado en OCRopy

Calamari-OCR
⭐ 1,204 Python 👤 Calamari-OCR Organization 🕐 Actualizado 2026-06-23 📅 Creado 2018-03-20
15
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
16
freelawproject/x-ray

Una herramienta para detectar si un PDF tiene una ocultación deficiente.

freelawproject
⭐ 837 Python 👤 freelawproject Organization 🕐 Actualizado 2026-11-20 📅 Creado 2020-12-17
17
datalab-to/pdftext

Extraiga texto estructurado de archivos PDF rápidamente

datalab-to
⭐ 744 Python 👤 datalab-to Organization 🕐 Actualizado 2026-10-22 📅 Creado 2024-04-24
18
ispras/dedoc

Dedoc es una biblioteca (servicio) para el análisis automatizado de documentos y su unificación en un formato uniforme. Extrae automáticamente contenido, estructura lógica, tablas e metainformación de documentos electrónicos textuales. (Análisis de documentos; Extracción de contenido de documentos; Extracción de estructura lógica; Analizador PDF; Analizador de documentos escaneados; Analizador DOCX; Analizador HTML)

ispras
⭐ 739 Python 👤 ispras Organization 🕐 Actualizado 2026-11-09 📅 Creado 2020-12-07
19
OCR4all/OCR4all

Proporciona servicios de OCR (Reconocimiento Óptico de Caracteres) a través de aplicaciones web

OCR4all
⭐ 713 Java 👤 OCR4all Organization 🕐 Actualizado 2026-09-14 📅 Creado 2019-01-23
20
allenai/pdffigures2

Dado un PDF académico, extrae figuras, tablas, subtítulos y títulos de sección.

allenai
⭐ 712 Scala 👤 allenai Organization 🕐 Actualizado 2024-03-10 📅 Creado 2016-05-09
22
ndl-lab/ndlocr_cli

El repositorio de la aplicación NDLOCR (incluido el código fuente)

ndl-lab
⭐ 686 Python 👤 ndl-lab Organization 🕐 Actualizado 2026-01-05 📅 Creado 2022-03-30
23
allenai/science-parse

Science Parse analiza artículos científicos (en formato PDF) y los devuelve en forma estructurada.

allenai
⭐ 686 Java 👤 allenai Organization 🕐 Actualizado 2024-05-26 📅 Creado 2015-08-19
24
0xabu/pdfannots

Extrae y formatea anotaciones de texto de un archivo PDF

0xabu
⭐ 676 Python 👤 0xabu User 🕐 Actualizado 2026-11-12 📅 Creado 2017-01-28
25
Alibaba-NLP/ViDoRAG

[EMNLP 2025] ViDoRAG: Generación Aumentada por Recuperación de Documentos Visuales mediante Agentes de Razonamiento Iterativo Dinámico

Alibaba-NLP
⭐ 670 Python 👤 Alibaba-NLP Organization 🕐 Actualizado 2026-01-11 📅 Creado 2025-02-25
26
opendatalab/MinerU-Diffusion

[ECCV 2026] Un marco basado en difusión para OCR de documentos que reemplaza la decodificación autorregresiva con decodificación de difusión paralela a nivel de bloque.

opendatalab
⭐ 624 Python 👤 opendatalab Organization 🕐 Actualizado 2026-06-18 📅 Creado 2026-03-13
27
maxandrews/Epstein-doc-explorer

un explorador de grafos de los correos de Epstein

maxandrews
⭐ 598 JavaScript 👤 maxandrews User 🕐 Actualizado 2025-11-20 📅 Creado 2025-11-14
28
CybercentreCanada/assemblyline

Assemblyline 4: Triaje de archivos y análisis de malware

CybercentreCanada
⭐ 572 Python 👤 CybercentreCanada Organization 🕐 Actualizado 2026-11-20 📅 Creado 2020-12-03
29
wenwenyu/PICK-pytorch

Código para el artículo "PICK: Extracción de información clave de documentos utilizando redes convolucionales de aprendizaje de grafos mejoradas" (ICPR 2020)

wenwenyu
⭐ 570 Python 👤 wenwenyu User 🕐 Actualizado 2024-07-25 📅 Creado 2020-07-15
30
leedrake5/unredact

Una herramienta simple para leer documentos mal redactados y reproducir su forma original.

leedrake5
⭐ 565 Python 👤 leedrake5 User 🕐 Actualizado 2026-01-06 📅 Creado 2025-12-23
32
JoshData/pdf-diff

Una utilidad de comparación de PDF en Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Actualizado 2026-02-08 📅 Creado 2014-06-09
33
awslabs/handwritten-text-recognition-for-apache-mxnet

Este repositorio le permite entrenar modelos de redes neuronales para realizar un reconocimiento de escritura a mano de página completa de extremo a extremo utilizando los frameworks de aprendizaje profundo Apache MXNet en el conjunto de datos IAM.

awslabs
⭐ 526 Jupyter Notebook 👤 awslabs Organization 🕐 Actualizado 2026-02-05 📅 Creado 2019-02-26

Preguntas frecuentes

1

¿Cuál es el repositorio de #document-analysis más popular en GitHub?

El proyecto de código abierto de #document-analysis mejor posicionado en GitHub es opendatalab/MinerU, con 84,093 estrellas. Transforma documentos complejos como PDFs y documentos de Office en markdown/JSON listo para LLM para tus flujos de trabajo Agentic.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #document-analysis?

Entre los proyectos de #document-analysis mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, JavaScript, Java, C#.

3

¿Cómo se calcula la clasificación de los repositorios de #document-analysis?

Seguimos 33 repositorios activos de código abierto etiquetados con #document-analysis (500+ estrellas), que suman un total de 134,538 estrellas, con una media de 4,076 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.