#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 repositorios en total
Transforma documentos complejos como PDFs y documentos de Office en markdown/JSON listo para LLM para tus flujos de trabajo Agentic.
El repositorio oficial de “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.
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
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.
Un kit de herramientas local, sin OCR, para extracción de datos no estructurados, conversión a markdown y benchmarking. (https://idp-leaderboard.org/)
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.
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.
Plataforma de código abierto para extraer datos estructurados de documentos utilizando IA.
ChatReviewer: Analiza ensayos con ChatGPT, resaltando pros y contras y sugiriendo mejoras
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
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)
Proporciona servicios de OCR (Reconocimiento Óptico de Caracteres) a través de aplicaciones web
Dado un PDF académico, extrae figuras, tablas, subtítulos y títulos de sección.
Science Parse analiza artículos científicos (en formato PDF) y los devuelve en forma estructurada.
[EMNLP 2025] ViDoRAG: Generación Aumentada por Recuperación de Documentos Visuales mediante Agentes de Razonamiento Iterativo Dinámico
[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.
Código para el artículo "PICK: Extracción de información clave de documentos utilizando redes convolucionales de aprendizaje de grafos mejoradas" (ICPR 2020)
Una herramienta simple para leer documentos mal redactados y reproducir su forma original.
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.
Preguntas frecuentes
¿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.
¿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#.
¿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.