Git Stars Git Stars

#document-parsing Repositorios

Descubre 42 repositorios activos de código abierto de GitHub etiquetados con #document-parsing, que acumulan 356,240 estrellas en total (una media de 8,481 estrellas por proyecto). El líder de este tema es PaddlePaddle/PaddleOCR, con 92,972 estrellas.

42
Total de Repositorios
356,240
Total de estrellas
8,481
Promedio de Estrellas/Repo

42 repositorios en total

1
PaddlePaddle/PaddleOCR

Convierta cualquier documento PDF o de imagen en datos estructurados para su IA. Un potente y ligero kit de herramientas OCR que cierra la brecha entre imágenes/PDF y LLM. Soporta más de 100 idiomas.

PaddlePaddle
⭐ 92,972 Python 👤 PaddlePaddle Organization 🕐 Actualizado 2026-09-16 📅 Creado 2020-05-08
2
docling-project/docling

Prepare sus documentos para IA generativa

docling-project
⭐ 70,843 Python 👤 docling-project Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-07-09
3
datalab-to/marker

Convierta PDF a markdown + JSON rápidamente y con alta precisión

datalab-to
⭐ 41,010 Python 👤 datalab-to Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-10-30
4
opendataloader-project/opendataloader-pdf

Analizador de PDF para datos listos para IA. Automatiza la accesibilidad de PDF. Código abierto.

opendataloader-project
⭐ 30,355 Java 👤 opendataloader-project Organization 🕐 Actualizado 2026-11-20 📅 Creado 2025-05-13
5
Unstructured-IO/unstructured

Convierta documentos en datos estructurados sin esfuerzo. Unstructured es una solución ETL de código abierto para transformar documentos complejos en formatos limpios y estructurados para modelos de lenguaje. Visite nuestro sitio web para obtener más información sobre nuestro producto Platform de nivel empresarial para flujos de trabajo de nivel de producción, partición, enriquecimiento, fragmentación y incrustación.

Unstructured-IO
⭐ 15,769 HTML 👤 Unstructured-IO Organization 🕐 Actualizado 2026-11-19 📅 Creado 2022-09-26
6
netease-youdao/QAnything

Preguntas y respuestas basadas en cualquier cosa.

netease-youdao
⭐ 14,210 Python 👤 netease-youdao User 🕐 Actualizado 2026-09-23 📅 Creado 2024-01-03
7
datalab-to/chandra

Modelo de OCR que maneja tablas complejas, formularios y escritura a mano con diseño completo.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Actualizado 2026-11-16 📅 Creado 2025-10-08
8
facebookresearch/nougat

Implementación de la Comprensión Óptica Neuronal Nougat para Documentos Académicos

facebookresearch
⭐ 9,997 Python 👤 facebookresearch Organization 🕐 Actualizado 2025-02-21 📅 Creado 2023-06-07
9
studio-dots-ai/dots.ocr

Análisis de diseño de documentos multilingües en un único modelo de visión y lenguaje

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 Actualizado 2026-03-24 📅 Creado 2025-07-30
10
Yuliang-Liu/MonkeyOCR

Un modelo ligero de análisis de documentos basado en LMM

Yuliang-Liu
⭐ 6,653 Python 👤 Yuliang-Liu User 🕐 Actualizado 2026-11-17 📅 Creado 2025-06-03
11
mindee/doctr

docTR (Document Text Recognition) - una biblioteca fluida, de alto rendimiento y accesible para tareas relacionadas con OCR impulsada por Deep Learning. Desarrollo y mantenimiento continuos a cargo de t2k.

mindee
⭐ 6,433 Python 👤 mindee Organization 🕐 Actualizado 2026-11-19 📅 Creado 2021-01-08
12
run-llama/llama_cloud_services

Agentes de conocimiento y gestión en la nube

run-llama
⭐ 4,273 TypeScript 👤 run-llama Organization 🕐 Actualizado 2026-11-08 📅 Creado 2024-01-31
13
NVIDIA/NeMo-Retriever

NeMo Retriever Library es un microservicio escalable y orientado al rendimiento para la extracción de contenido y metadatos de documentos. NeMo Retriever Library utiliza microservicios especializados de NVIDIA NIM para encontrar, contextualizar y extraer texto, tablas, gráficos e imágenes que puede utilizar en aplicaciones generativas posteriores.

NVIDIA
⭐ 3,014 Python 👤 NVIDIA Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-08-22
14
chatdoc-com/OCRFlux

OCRFlux es un kit de herramientas multimodal ligero pero potente que mejora significativamente la conversión de PDF a Markdown, destacando en el manejo de diseños complejos, el análisis de tablas complicadas y la fusión de contenido entre páginas.

chatdoc-com
⭐ 2,532 Python 👤 chatdoc-com Organization 🕐 Actualizado 2026-04-14 📅 Creado 2025-06-04
15
Nutlope/llama-ocr

Biblioteca OCR de documento a Markdown con Llama 3.2 vision

Nutlope
⭐ 2,445 TypeScript 👤 Nutlope User 🕐 Actualizado 2026-07-12 📅 Creado 2024-11-12
16
landing-ai/ade-cli

La CLI oficial para Agentic Document Extraction (ADE) de LandingAI: analice documentos y extraiga datos con formato de esquema desde su terminal

landing-ai
⭐ 2,427 Python 👤 landing-ai Organization 🕐 Actualizado 2026-10-30 📅 Creado 2025-03-12
18
dnGrep/dnGrep

Herramienta GREP gráfica para Windows

dnGrep
⭐ 2,246 C# 👤 dnGrep Organization 🕐 Actualizado 2026-11-20 📅 Creado 2014-10-09
19
opendatalab/OmniDocBench

[CVPR 2025] Un benchmark completo para análisis y evaluación de documentos

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Actualizado 2026-11-12 📅 Creado 2024-10-14
20
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5: Haciendo que los VLM de OCR ligeros sean más rápidos y mejores

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Actualizado 2026-09-24 📅 Creado 2025-11-18
21
datalab-to/indra

Modelo OCR de 1 millón de parámetros: funciona en CPU, es 15 veces más rápido que Tesseract y ofrece una precisión cercana a la de los modelos con más de 1.000 millones de parámetros

datalab-to
⭐ 1,910 Python 👤 datalab-to Organization 🕐 Actualizado 2026-11-04 📅 Creado 2026-10-13
22
enoch3712/ExtractThinker

ExtractThinker es una biblioteca de inteligencia documental para LLM, que ofrece una interacción estilo ORM para flujos de trabajo de documentos flexibles y potentes.

enoch3712
⭐ 1,606 Python 👤 enoch3712 User 🕐 Actualizado 2026-09-16 📅 Creado 2024-02-01
23
NanoNets/docstrange

Extraiga y convierta datos de cualquier documento, imagen, PDF, documento de Word, PPT o URL a múltiples formatos (Markdown, JSON, CSV, HTML) con extracción inteligente de datos estructurados y OCR avanzado.

NanoNets
⭐ 1,578 Python 👤 NanoNets Organization 🕐 Actualizado 2025-10-31 📅 Creado 2025-07-31
24
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
25
zstar1003/ragflow-plus

Ragflow-Plus es una versión de desarrollo secundario de Ragflow, lo que la hace más concisa y práctica

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 Actualizado 2026-11-18 📅 Creado 2025-03-24
27
nlmatics/nlm-ingestor

Este repositorio proporciona el código del lado del servidor para que la API de llmsherpa se conecte. Incluye analizadores para varios formatos de archivo.

nlmatics
⭐ 1,282 Python 👤 nlmatics Organization 🕐 Actualizado 2025-03-28 📅 Creado 2024-01-17
28
laramies/metagoofil

Recolector de metadatos

laramies
⭐ 1,201 Python 👤 laramies User 🕐 Actualizado 2024-03-21 📅 Creado 2015-08-13
29
aiptimizer/TurboOCR

TurboOCR, >200 img/s OmnidocBench. TensorRT FP16, PP-OCRv6, HTTP + gRPC

aiptimizer
⭐ 1,162 C++ 👤 aiptimizer Organization 🕐 Actualizado 2026-09-27 📅 Creado 2026-03-20
30
allenai/s2orc

S2ORC: El Corpus de Investigación Abierta de Semantic Scholar: https://www.aclweb.org/anthology/2020.acl-main.447/

allenai
⭐ 996 Python 👤 allenai Organization 🕐 Actualizado 2024-04-26 📅 Creado 2019-11-04
31
flyhunterl/flymd

¡Herramienta de notas Markdown de alto rendimiento! IA gratuita, notas inteligentes, recordatorios de TODO, base de conocimiento local, motor de novelas AI. Análisis de PDF, notas de voz automáticas, transcripción de audio. Inicio en milisegundos.

flyhunterl
⭐ 900 JavaScript 👤 flyhunterl User 🕐 Actualizado 2026-07-22 📅 Creado 2025-10-24
32
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
33
deep-diver/paper-reviewer

Genere una revisión completa de un artículo de arXiv y luego conviértala en una publicación de blog. Este proyecto impulsa el sitio web a continuación para los Artículos Diarios de HuggingFace (https://huggingface.co/papers).

deep-diver
⭐ 834 Python 👤 deep-diver User 🕐 Actualizado 2025-02-20 📅 Creado 2024-10-21
34
FengZhenfei/carrel

Generación aumentada con ontologías para agentes de IA.

FengZhenfei
⭐ 808 Python 👤 FengZhenfei User 🕐 Actualizado 2026-11-17 📅 Creado 2026-09-28
36
Steven-Luo/MasteringRAG

Sistema RAG empresarial: de principiante a experto

Steven-Luo
⭐ 699 Jupyter Notebook 👤 Steven-Luo User 🕐 Actualizado 2025-06-25 📅 Creado 2024-07-16
37
ggozad/haiku.rag

RAG agéntico para la búsqueda de documentos local y autoalojada: recuperación híbrida, reranking y RAG multimodal sobre LanceDB integrado, con análisis mediante Docling y un servidor MCP

ggozad
⭐ 665 Python 👤 ggozad User 🕐 Actualizado 2026-11-20 📅 Creado 2024-10-13
38
run-llama/ParseBench

ParseBench - Un punto de referencia de análisis de documentos para agentes de IA

run-llama
⭐ 650 Python 👤 run-llama Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-04-10
39
skygazer42/MimirQ

Base de conocimiento RAG empresarial con prioridad para el chino: análisis controlable, gobernanza, segmentación, recuperación híbrida, reranking, citas, grafos de conocimiento, evaluación e integración con Dify.

skygazer42
⭐ 613 Python 👤 skygazer42 User 🕐 Actualizado 2026-11-21 📅 Creado 2025-11-28
40
ankushshah89/python-docx2txt

Una utilidad basada en Python puro para extraer texto e imágenes de archivos docx.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Actualizado 2025-03-24 📅 Creado 2015-10-28
41
fufankeji/DeepSeek-OCR-Web

Web Studio de análisis de documentos OCR DeepSeek listo para usar

fufankeji
⭐ 568 TypeScript 👤 fufankeji User 🕐 Actualizado 2025-10-27 📅 Creado 2025-10-23
42
LeDat98/NexusRAG

Sistema RAG híbrido que combina búsqueda vectorial, un grafo de conocimiento (LightRAG) y reordenamiento mediante un cross-encoder, con análisis de documentos mediante Docling, inteligencia visual (generación de subtítulos para imágenes y tablas), chat agéntico en streaming y citas integradas. Impulsado por modelos Gemini u Ollama locales.

LeDat98
⭐ 533 Python 👤 LeDat98 User 🕐 Actualizado 2026-04-20 📅 Creado 2026-03-15

Preguntas frecuentes

1

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

El proyecto de código abierto de #document-parsing mejor posicionado en GitHub es PaddlePaddle/PaddleOCR, con 92,972 estrellas. Convierta cualquier documento PDF o de imagen en datos estructurados para su IA. Un potente y ligero kit de herramientas OCR que cierra la brecha entre imágenes/PDF y LLM. Soporta más de 100 idiomas.

2

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

Entre los proyectos de #document-parsing mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, TypeScript, Java, HTML.

3

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

Seguimos 42 repositorios activos de código abierto etiquetados con #document-parsing (500+ estrellas), que suman un total de 356,240 estrellas, con una media de 8,481 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.