Git Stars Git Stars

#text-extraction Repositorios

Descubre 27 repositorios activos de código abierto de GitHub etiquetados con #text-extraction, que acumulan 101,655 estrellas en total (una media de 3,765 estrellas por proyecto). El líder de este tema es firecrawl/pdf-inspector, con 20,082 estrellas.

27
Total de Repositorios
101,655
Total de estrellas
3,765
Promedio de Estrellas/Repo

27 repositorios en total

1
firecrawl/pdf-inspector

Biblioteca rápida en Rust para inspección, clasificación y extracción de texto de PDF. Detecta inteligentemente PDFs escaneados frente a basados en texto para habilitar decisiones de enrutamiento inteligentes.

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 Actualizado 2026-11-20 📅 Creado 2026-02-06
2
allenai/olmocr

Kit de herramientas para linealizar PDF para conjuntos de datos/entrenamiento de LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Actualizado 2026-03-25 📅 Creado 2024-09-17
3
run-llama/liteparse

Un analizador de documentos rápido, útil y de código abierto

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 Actualizado 2026-11-20 📅 Creado 2026-02-09
4
xberg-io/xberg

El motor de inteligencia documental rápido y preciso para todos los idiomas: texto, tablas y metadatos de más de 100 formatos, con OCR, transcripción e inteligencia de código.

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 Actualizado 2026-11-21 📅 Creado 2025-01-31
5
adbar/trafilatura

Herramienta de Python y línea de comandos para recopilar texto y metadatos en la Web: Rastreo, raspado, extracción, salida como CSV, JSON, HTML, MD, TXT, XML

adbar
⭐ 7,157 Python 👤 adbar User 🕐 Actualizado 2026-11-20 📅 Creado 2019-04-08
6
oomol-lab/pdf-craft

PDF craft puede convertir archivos PDF a varios otros formatos. Este proyecto se centrará en el procesamiento de archivos PDF de libros escaneados.

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 Actualizado 2026-11-20 📅 Creado 2025-02-12
7
miso-belica/sumy

Módulo para el resumen automático de documentos de texto y páginas HTML.

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 Actualizado 2026-11-11 📅 Creado 2013-02-20
8
unidoc/unipdf

Biblioteca PDF de Golang para crear y procesar archivos PDF (Go puro)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 Actualizado 2026-10-20 📅 Creado 2019-05-16
9
schappim/macOCR

Obtén cualquier texto en tu pantalla en tu portapapeles.

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 Actualizado 2026-09-04 📅 Creado 2021-05-19
10
nguyenq/tess4j

Envoltorio JNA de Java para la API Tesseract OCR

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 Actualizado 2026-11-07 📅 Creado 2014-06-25
11
chrismattmann/tika-python

Tika-Python es una vinculación de Python a los servicios REST de Apache Tika™ que permite llamar a Tika de forma nativa en la comunidad Python.

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 Actualizado 2026-11-10 📅 Creado 2014-06-26
12
yfedoseev/pdf_oxide

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.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Actualizado 2026-11-21 📅 Creado 2025-11-05
13
m417z/Textify

Una herramienta para Windows que permite copiar texto de diálogos y controles que no lo permiten de otra manera

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 Actualizado 2026-04-13 📅 Creado 2018-03-04
14
Lulzx/zpdf

Biblioteca de extracción de texto PDF de copia cero escrita en Zig. Análisis de alto rendimiento, mapeado en memoria con aceleración SIMD.

Lulzx
⭐ 925 Zig 👤 Lulzx User 🕐 Actualizado 2026-08-13 📅 Creado 2025-12-30
⭐ 900 👤 golangboy User 🕐 Actualizado 2025-03-25 📅 Creado 2025-03-24
16
yigitkonur/api-llm-ocr

PDF a markdown usando LLMs de visión — tablas, diseños y estructura preservados

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 Actualizado 2026-02-21 📅 Creado 2024-09-22
17
xberg-io/html-to-markdown

Convierte HTML desordenado del mundo real en Markdown limpio, en todos los idiomas principales.

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 Actualizado 2026-11-21 📅 Creado 2025-02-03
18
miso-belica/jusText

Herramienta de eliminación de plantillas basada en heurísticas

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 Actualizado 2026-10-21 📅 Creado 2013-02-10
19
ICIJ/datashare

Un motor de búsqueda autoalojado para documentos

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 Actualizado 2026-11-20 📅 Creado 2016-04-20
20
Doriandarko/RepoToTextForLLMs

Automatice el análisis de repositorios de GitHub para LLMs con RepoToTextForLLMs. Obtenga READMEs, estructura y archivos no binarios de manera eficiente. Las salidas incluyen indicaciones de análisis para ayudar en una evaluación completa del repositorio.

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 Actualizado 2024-05-21 📅 Creado 2024-03-11
21
raghavan/PdfGptIndexer

Herramienta basada en RAG para indexar y buscar datos de texto PDF utilizando la API de OpenAI y el índice FAISS (Facebook AI Similarity Search), diseñada para una recuperación rápida de información y una precisión de búsqueda superior.

raghavan
⭐ 677 Python 👤 raghavan User 🕐 Actualizado 2025-11-02 📅 Creado 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

Traducción automática de frontend. Soporta Youdao/Google/Baidu/traductores personalizados. Compatible con webpack/vite/rollup/rsbuild, se adapta a todos los frameworks compilados en JS, soporta interpolación, espacios de nombres, etc., ayudándote a traducir tu proyecto con un solo clic.

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 Actualizado 2026-02-01 📅 Creado 2023-09-04
23
jrmuizel/pdf-extract

Una biblioteca de Rust para extraer contenido de archivos PDF

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Actualizado 2026-09-16 📅 Creado 2017-02-01
24
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
25
ropensci/pdftools

Extracción de texto, renderizado y conversión de documentos PDF

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 Actualizado 2026-08-30 📅 Creado 2016-02-23
26
cdown/srt

Una biblioteca sencilla y un conjunto de herramientas para analizar, modificar y componer archivos SRT.

cdown
⭐ 528 Python 👤 cdown User 🕐 Actualizado 2024-03-19 📅 Creado 2014-12-28
27
JoshData/pdf-diff

Una utilidad de comparación de PDF en Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Actualizado 2026-02-08 📅 Creado 2014-06-09

Preguntas frecuentes

1

¿Cuál es el repositorio de #text-extraction más popular en GitHub?

El proyecto de código abierto de #text-extraction mejor posicionado en GitHub es firecrawl/pdf-inspector, con 20,082 estrellas. Biblioteca rápida en Rust para inspección, clasificación y extracción de texto de PDF. Detecta inteligentemente PDFs escaneados frente a basados en texto para habilitar decisiones de enrutamiento inteligentes.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #text-extraction?

Entre los proyectos de #text-extraction mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Rust, Java, C++.

3

¿Cómo se calcula la clasificación de los repositorios de #text-extraction?

Seguimos 27 repositorios activos de código abierto etiquetados con #text-extraction (500+ estrellas), que suman un total de 101,655 estrellas, con una media de 3,765 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.