#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 repositorios en total
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.
Analizador de PDF para datos listos para IA. Automatiza la accesibilidad de PDF. Código abierto.
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.
Modelo de OCR que maneja tablas complejas, formularios y escritura a mano con diseño completo.
Implementación de la Comprensión Óptica Neuronal Nougat para Documentos Académicos
Análisis de diseño de documentos multilingües en un único modelo de visión y lenguaje
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.
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.
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.
La CLI oficial para Agentic Document Extraction (ADE) de LandingAI: analice documentos y extraiga datos con formato de esquema desde su terminal
[CVPR 2025] Un benchmark completo para análisis y evaluación de documentos
HunyuanOCR-1.5: Haciendo que los VLM de OCR ligeros sean más rápidos y mejores
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
ExtractThinker es una biblioteca de inteligencia documental para LLM, que ofrece una interacción estilo ORM para flujos de trabajo de documentos flexibles y potentes.
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.
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.
Ragflow-Plus es una versión de desarrollo secundario de Ragflow, lo que la hace más concisa y práctica
Este repositorio proporciona el código del lado del servidor para que la API de llmsherpa se conecte. Incluye analizadores para varios formatos de archivo.
S2ORC: El Corpus de Investigación Abierta de Semantic Scholar: https://www.aclweb.org/anthology/2020.acl-main.447/
¡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.
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).
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
ParseBench - Un punto de referencia de análisis de documentos para agentes de IA
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.
Una utilidad basada en Python puro para extraer texto e imágenes de archivos docx.
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.
Preguntas frecuentes
¿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.
¿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.
¿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.