Git Stars Git Stars

#document-analysis Dépôts

Découvrez 33 dépôts GitHub open source actifs associés à #document-analysis, cumulant 134,538 étoiles au total (soit une moyenne de 4,076 étoiles par projet). Le projet en tête de ce thème est opendatalab/MinerU, avec 84,093 étoiles.

33
Total des Dépôts
134,538
Nombre total d'étoiles
4,076
Moyenne d'Étoiles/Dépôt
1
opendatalab/MinerU

Transforme des documents complexes comme les PDF et les documents Office en markdown/JSON prêt pour LLM pour vos flux de travail Agentic.

opendatalab
⭐ 84,093 Python 👤 opendatalab Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2024-02-29
2
bytedance/Dolphin

Le dépôt officiel pour « Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting », ACL, 2025.

bytedance
⭐ 9,065 Python 👤 bytedance Organization 🕐 Mis à jour 2026-03-25 📅 Créé 2025-05-13
3
ucbepic/docetl

Un système de traitement de données et ETL piloté par LLM agentique

ucbepic
⭐ 4,266 Python 👤 ucbepic Organization 🕐 Mis à jour 2026-11-17 📅 Créé 2024-07-09
4
camelot-dev/camelot

Une bibliothèque Python pour extraire des données tabulaires des PDF

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

L'IA lit des livres : Extracteur et résumeur de connaissances PDF page par page. le script effectue une analyse intelligente page par page de livres PDF, extrayant méthodiquement des points de connaissance et générant des résumés progressifs à des intervalles spécifiés

echohive42
⭐ 3,453 Python 👤 echohive42 User 🕐 Mis à jour 2026-10-30 📅 Créé 2024-12-28
6
kba/awesome-ocr

Liens vers des projets OCR géniaux

kba
⭐ 3,074 👤 kba User 🕐 Mis à jour 2024-07-06 📅 Créé 2016-04-27
7
UglyToad/PdfPig

Lire et extraire du texte et d'autres contenus des PDF en C# (portage de PDFBox)

UglyToad
⭐ 2,626 C# 👤 UglyToad Organization 🕐 Mis à jour 2026-11-10 📅 Créé 2017-11-09
8
DanBloomberg/leptonica

Leptonica est une bibliothèque open source contenant des logiciels largement utiles pour les applications de traitement et d'analyse d'images. Le dépôt GitHub officiel de Leptonica est : danbloomberg/leptonica. Consultez leptonica.org pour plus de documentation.

DanBloomberg
⭐ 2,107 C 👤 DanBloomberg User 🕐 Mis à jour 2026-11-20 📅 Créé 2016-01-13
9
NanoNets/docext

Une boîte à outils sur site, sans OCR, pour l'extraction de données non structurées, la conversion en markdown et le benchmarking. (https://idp-leaderboard.org/)

NanoNets
⭐ 2,086 Python 👤 NanoNets Organization 🕐 Mis à jour 2026-03-17 📅 Créé 2025-03-25
10
AlibabaResearch/AdvancedLiterateMachinery

Une collection d'idées et d'algorithmes originaux et innovants pour des machines littéraires avancées. Ce projet est maintenu par l'équipe OCR du Language Technology Lab, Tongyi Lab, Alibaba Group.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Mis à jour 2026-03-17 📅 Créé 2022-09-28
11
Topdu/OpenOCR

OpenOCR : un kit d’outils open‑source pour la recherche et les applications générales de OCR, intégrant un benchmark d’entraînement et d’évaluation unifié, des systèmes OCR et de traitement de documents de qualité professionnelle, ainsi que des reproductions fidèles des implémentations clés provenant d’un large éventail d’articles académiques.

Topdu
⭐ 1,498 Python 👤 Topdu User 🕐 Mis à jour 2026-09-21 📅 Créé 2024-05-31
12
DocumindHQ/documind

Plateforme open-source pour extraire des données structurées à partir de documents à l'aide de l'IA.

DocumindHQ
⭐ 1,475 JavaScript 👤 DocumindHQ Organization 🕐 Mis à jour 2025-05-15 📅 Créé 2024-11-17
13
nishiwen1214/ChatReviewer

ChatReviewer : Analyse des articles avec ChatGPT, en soulignant les avantages et les inconvénients et en proposant des suggestions d'amélioration

nishiwen1214
⭐ 1,366 Python 👤 nishiwen1214 User 🕐 Mis à jour 2024-11-22 📅 Créé 2023-03-18
14
Calamari-OCR/calamari

Moteur ATR basé sur les lignes basé sur OCRopy

Calamari-OCR
⭐ 1,204 Python 👤 Calamari-OCR Organization 🕐 Mis à jour 2026-06-23 📅 Créé 2018-03-20
15
Mingtzge/2019-CCF-BDCI-OCR-MCZJ-OCR-IdentificationIDElement

Concours 2019CCF-BDCI Lauréat du Prix de la Meilleure Exploration Innovante Champion du sujet d'extraction d'éléments de carte d'identité basée sur OCR Équipe Tianchen Poxiao Code source du sujet

Mingtzge
⭐ 899 Python 👤 Mingtzge User 🕐 Mis à jour 2024-07-25 📅 Créé 2019-12-30
16
freelawproject/x-ray

Un outil pour détecter si un PDF contient un caviardage incorrect.

freelawproject
⭐ 837 Python 👤 freelawproject Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2020-12-17
17
datalab-to/pdftext

Extrayez rapidement du texte structuré des PDF

datalab-to
⭐ 744 Python 👤 datalab-to Organization 🕐 Mis à jour 2026-10-22 📅 Créé 2024-04-24
18
ispras/dedoc

Dedoc est une bibliothèque (service) pour l'analyse automatisée des documents et leur unification dans un format uniforme. Il extrait automatiquement le contenu, la structure logique, les tableaux et les métadonnées des documents électroniques textuels. (Analyse de documents ; Extraction de contenu de document ; Extraction de structure logique ; Analyseur PDF ; Analyseur de documents numérisés ; Analyseur DOCX ; Analyseur HTML)

ispras
⭐ 739 Python 👤 ispras Organization 🕐 Mis à jour 2026-11-09 📅 Créé 2020-12-07
19
OCR4all/OCR4all

Fournit des services OCR (Reconnaissance Optique de Caractères) via des applications web

OCR4all
⭐ 713 Java 👤 OCR4all Organization 🕐 Mis à jour 2026-09-14 📅 Créé 2019-01-23
20
allenai/pdffigures2

Étant donné un PDF académique, extrayez les figures, les tableaux, les légendes et les titres de section.

allenai
⭐ 712 Scala 👤 allenai Organization 🕐 Mis à jour 2024-03-10 📅 Créé 2016-05-09
22
ndl-lab/ndlocr_cli

Le dépôt de l'application NDLOCR (y compris le code source)

ndl-lab
⭐ 686 Python 👤 ndl-lab Organization 🕐 Mis à jour 2026-01-05 📅 Créé 2022-03-30
23
allenai/science-parse

Science Parse analyse les articles scientifiques (sous forme PDF) et les retourne sous une forme structurée.

allenai
⭐ 686 Java 👤 allenai Organization 🕐 Mis à jour 2024-05-26 📅 Créé 2015-08-19
24
0xabu/pdfannots

Extrait et formate les annotations textuelles d'un fichier PDF

0xabu
⭐ 676 Python 👤 0xabu User 🕐 Mis à jour 2026-11-12 📅 Créé 2017-01-28
25
Alibaba-NLP/ViDoRAG

[EMNLP 2025] ViDoRAG : Génération Augmentée par Récupération de Documents Visuels via des Agents de Raisonnement Itératif Dynamique

Alibaba-NLP
⭐ 670 Python 👤 Alibaba-NLP Organization 🕐 Mis à jour 2026-01-11 📅 Créé 2025-02-25
26
opendatalab/MinerU-Diffusion

[ECCV 2026] Un framework basé sur la diffusion pour l'OCR de documents qui remplace le décodage autorégressif par un décodage de diffusion parallèle au niveau des blocs.

opendatalab
⭐ 624 Python 👤 opendatalab Organization 🕐 Mis à jour 2026-06-18 📅 Créé 2026-03-13
27
maxandrews/Epstein-doc-explorer

un explorateur de graphes des e-mails d'Epstein

maxandrews
⭐ 598 JavaScript 👤 maxandrews User 🕐 Mis à jour 2025-11-20 📅 Créé 2025-11-14
28
CybercentreCanada/assemblyline

Assemblyline 4 : Triage de fichiers et analyse de logiciels malveillants

CybercentreCanada
⭐ 572 Python 👤 CybercentreCanada Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2020-12-03
29
wenwenyu/PICK-pytorch

Code pour l'article "PICK : Extraction d'informations clés à partir de documents à l'aide de réseaux convolutifs d'apprentissage amélioré sur graphes" (ICPR 2020)

wenwenyu
⭐ 570 Python 👤 wenwenyu User 🕐 Mis à jour 2024-07-25 📅 Créé 2020-07-15
30
leedrake5/unredact

Un outil simple pour lire les documents mal redactés et reproduire leur forme originale.

leedrake5
⭐ 565 Python 👤 leedrake5 User 🕐 Mis à jour 2026-01-06 📅 Créé 2025-12-23
32
JoshData/pdf-diff

Un utilitaire de comparaison de PDF en Python.

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

Ce dépôt vous permet d'entraîner des modèles de réseaux de neurones pour effectuer une reconnaissance d'écriture manuscrite de page entière de bout en bout en utilisant les frameworks d'apprentissage profond Apache MXNet sur le dataset IAM.

awslabs
⭐ 526 Jupyter Notebook 👤 awslabs Organization 🕐 Mis à jour 2026-02-05 📅 Créé 2019-02-26

Foire aux questions

1

Quel est le dépôt #document-analysis le plus populaire sur GitHub ?

Le projet #document-analysis open source le mieux classé sur GitHub est opendatalab/MinerU, avec 84,093 étoiles. Transforme des documents complexes comme les PDF et les documents Office en markdown/JSON prêt pour LLM pour vos flux de travail Agentic.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #document-analysis ?

Parmi les projets #document-analysis les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, JavaScript, Java, C#.

3

Comment le classement des dépôts #document-analysis est-il calculé ?

Nous suivons 33 dépôts open source actifs associés à #document-analysis (500+ étoiles), totalisant 134,538 étoiles, avec une moyenne de 4,076 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.