Git Stars Git Stars

#document-parsing Dépôts

Découvrez 42 dépôts GitHub open source actifs associés à #document-parsing, cumulant 356,240 étoiles au total (soit une moyenne de 8,481 étoiles par projet). Le projet en tête de ce thème est PaddlePaddle/PaddleOCR, avec 92,972 étoiles.

42
Total des Dépôts
356,240
Nombre total d'étoiles
8,481
Moyenne d'Étoiles/Dépôt
1
PaddlePaddle/PaddleOCR

Transformez n'importe quel document PDF ou image en données structurées pour votre IA. Un kit d'outils OCR puissant et léger qui comble l'écart entre les images/PDF et les LLM. Prend en charge plus de 100 langues.

PaddlePaddle
⭐ 92,972 Python 👤 PaddlePaddle Organization 🕐 Mis à jour 2026-09-16 📅 Créé 2020-05-08
2
docling-project/docling

Préparez vos documents pour l'IA générative

docling-project
⭐ 70,843 Python 👤 docling-project Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2024-07-09
3
datalab-to/marker

Convertissez rapidement PDF en markdown + JSON avec une grande précision

datalab-to
⭐ 41,010 Python 👤 datalab-to Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2023-10-30
4
opendataloader-project/opendataloader-pdf

Analyseur PDF pour données prêtes pour l'IA. Automatisez l'accessibilité PDF. Open-source.

opendataloader-project
⭐ 30,355 Java 👤 opendataloader-project Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2025-05-13
5
Unstructured-IO/unstructured

Convertissez des documents en données structurées sans effort. Unstructured est une solution ETL open-source pour transformer des documents complexes en formats propres et structurés pour les modèles linguistiques. Visitez notre site Web pour en savoir plus sur notre produit Platform de qualité professionnelle pour les flux de travail de production, le partitionnement, les enrichissements, le découpage et l'intégration.

Unstructured-IO
⭐ 15,769 HTML 👤 Unstructured-IO Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2022-09-26
6
netease-youdao/QAnything

Questions et réponses basées sur n'importe quoi.

netease-youdao
⭐ 14,210 Python 👤 netease-youdao User 🕐 Mis à jour 2026-09-23 📅 Créé 2024-01-03
7
datalab-to/chandra

Modèle OCR qui gère les tableaux complexes, les formulaires et l'écriture manuscrite avec une mise en page complète.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Mis à jour 2026-11-16 📅 Créé 2025-10-08
8
facebookresearch/nougat

Implémentation de la compréhension optique neuronale Nougat pour les documents académiques

facebookresearch
⭐ 9,997 Python 👤 facebookresearch Organization 🕐 Mis à jour 2025-02-21 📅 Créé 2023-06-07
9
studio-dots-ai/dots.ocr

Analyse de la mise en page de documents multilingues dans un modèle unique Vision-Language

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

Un modèle léger d'analyse de documents basé sur LMM

Yuliang-Liu
⭐ 6,653 Python 👤 Yuliang-Liu User 🕐 Mis à jour 2026-11-17 📅 Créé 2025-06-03
11
mindee/doctr

docTR (Document Text Recognition) - une bibliothèque fluide, performante et accessible pour les tâches liées à l'OCR, basée sur le Deep Learning. Développement et maintenance continus assurés par t2k.

mindee
⭐ 6,433 Python 👤 mindee Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2021-01-08
12
run-llama/llama_cloud_services

Agents de connaissance et gestion dans le cloud

run-llama
⭐ 4,273 TypeScript 👤 run-llama Organization 🕐 Mis à jour 2026-11-08 📅 Créé 2024-01-31
13
NVIDIA/NeMo-Retriever

NeMo Retriever Library est un microservice évolutif et axé sur la performance pour l'extraction de contenu de documents et de métadonnées. NeMo Retriever Library utilise des microservices NVIDIA NIM spécialisés pour trouver, contextualiser et extraire des textes, des tableaux, des graphiques et des images que vous pouvez utiliser dans des applications génératives en aval.

NVIDIA
⭐ 3,014 Python 👤 NVIDIA Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2024-08-22
14
chatdoc-com/OCRFlux

OCRFlux est une boîte à outils multimodale légère mais puissante qui fait progresser considérablement la conversion PDF vers Markdown, excellant dans la gestion des mises en page complexes, l'analyse des tableaux compliqués et la fusion de contenu inter-pages.

chatdoc-com
⭐ 2,532 Python 👤 chatdoc-com Organization 🕐 Mis à jour 2026-04-14 📅 Créé 2025-06-04
15
Nutlope/llama-ocr

Bibliothèque OCR de document vers Markdown avec la vision Llama 3.2

Nutlope
⭐ 2,445 TypeScript 👤 Nutlope User 🕐 Mis à jour 2026-07-12 📅 Créé 2024-11-12
16
landing-ai/ade-cli

L'interface en ligne de commande (CLI) officielle pour Agentic Document Extraction (ADE) par LandingAI — analysez des documents et extrayez des données structurées depuis votre terminal

landing-ai
⭐ 2,427 Python 👤 landing-ai Organization 🕐 Mis à jour 2026-10-30 📅 Créé 2025-03-12
18
dnGrep/dnGrep

Outil GREP graphique pour Windows

dnGrep
⭐ 2,246 C# 👤 dnGrep Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2014-10-09
19
opendatalab/OmniDocBench

[CVPR 2025] Un benchmark complet pour l'analyse et l'évaluation de documents

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Mis à jour 2026-11-12 📅 Créé 2024-10-14
20
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5 : Rendre les VLM OCR légers plus rapides et meilleurs

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Mis à jour 2026-09-24 📅 Créé 2025-11-18
21
datalab-to/indra

Modèle OCR de 1 million de paramètres : fonctionne sur CPU, est 15 fois plus rapide que Tesseract et offre une précision proche de celle des modèles comptant plus d’un milliard de paramètres

datalab-to
⭐ 1,910 Python 👤 datalab-to Organization 🕐 Mis à jour 2026-11-04 📅 Créé 2026-10-13
22
enoch3712/ExtractThinker

ExtractThinker est une bibliothèque d'intelligence documentaire pour les LLM, offrant une interaction de style ORM pour des flux de travail de documents flexibles et puissants.

enoch3712
⭐ 1,606 Python 👤 enoch3712 User 🕐 Mis à jour 2026-09-16 📅 Créé 2024-02-01
23
NanoNets/docstrange

Extrayez et convertissez des données à partir de n'importe quel document, image, PDF, document Word, PPT ou URL dans plusieurs formats (Markdown, JSON, CSV, HTML) avec une extraction intelligente de données structurées et une reconnaissance optique de caractères avancée.

NanoNets
⭐ 1,578 Python 👤 NanoNets Organization 🕐 Mis à jour 2025-10-31 📅 Créé 2025-07-31
24
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
25
zstar1003/ragflow-plus

Ragflow-Plus est une version de développement secondaire de Ragflow, la rendant plus concise et pratique

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 Mis à jour 2026-11-18 📅 Créé 2025-03-24
27
nlmatics/nlm-ingestor

Ce dépôt fournit le code côté serveur pour que l'API llmsherpa se connecte. Il comprend des analyseurs pour divers formats de fichiers.

nlmatics
⭐ 1,282 Python 👤 nlmatics Organization 🕐 Mis à jour 2025-03-28 📅 Créé 2024-01-17
28
laramies/metagoofil

Collecteur de métadonnées

laramies
⭐ 1,201 Python 👤 laramies User 🕐 Mis à jour 2024-03-21 📅 Créé 2015-08-13
29
aiptimizer/TurboOCR

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

aiptimizer
⭐ 1,162 C++ 👤 aiptimizer Organization 🕐 Mis à jour 2026-09-27 📅 Créé 2026-03-20
30
allenai/s2orc

S2ORC : Le Corpus de recherche ouvert Semantic Scholar : https://www.aclweb.org/anthology/2020.acl-main.447/

allenai
⭐ 996 Python 👤 allenai Organization 🕐 Mis à jour 2024-04-26 📅 Créé 2019-11-04
31
flyhunterl/flymd

Outil de notes Markdown haute performance ! IA gratuite, notes intelligentes, rappels TODO, base de connaissances locale, moteur de romans IA. Analyse PDF, notes vocales automatiques, transcription audio. Démarrage en millisecondes.

flyhunterl
⭐ 900 JavaScript 👤 flyhunterl User 🕐 Mis à jour 2026-07-22 📅 Créé 2025-10-24
32
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
33
deep-diver/paper-reviewer

Générez une critique complète d'un article arXiv, puis transformez-la en un article de blog. Ce projet alimente le site Web ci-dessous pour les articles quotidiens de HuggingFace (https://huggingface.co/papers).

deep-diver
⭐ 834 Python 👤 deep-diver User 🕐 Mis à jour 2025-02-20 📅 Créé 2024-10-21
34
FengZhenfei/carrel

Génération augmentée par ontologie pour les agents d’IA.

FengZhenfei
⭐ 808 Python 👤 FengZhenfei User 🕐 Mis à jour 2026-11-17 📅 Créé 2026-09-28
36
Steven-Luo/MasteringRAG

Système RAG d'entreprise : de l'introduction à la maîtrise

Steven-Luo
⭐ 699 Jupyter Notebook 👤 Steven-Luo User 🕐 Mis à jour 2025-06-25 📅 Créé 2024-07-16
37
ggozad/haiku.rag

RAG agentique pour la recherche de documents en local et auto-hébergée : récupération hybride, reranking et RAG multimodal sur LanceDB embarqué, avec analyse par Docling et un serveur MCP

ggozad
⭐ 665 Python 👤 ggozad User 🕐 Mis à jour 2026-11-20 📅 Créé 2024-10-13
38
run-llama/ParseBench

ParseBench - Un benchmark d'analyse de documents pour les agents IA

run-llama
⭐ 650 Python 👤 run-llama Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2026-04-10
39
skygazer42/MimirQ

Base de connaissances RAG d’entreprise privilégiant le chinois : analyse contrôlable, gouvernance, découpage, recherche hybride, reranking, citations, graphes de connaissances, évaluation et intégration avec Dify.

skygazer42
⭐ 613 Python 👤 skygazer42 User 🕐 Mis à jour 2026-11-21 📅 Créé 2025-11-28
40
ankushshah89/python-docx2txt

Un utilitaire basé sur Python pur pour extraire du texte et des images des fichiers docx.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Mis à jour 2025-03-24 📅 Créé 2015-10-28
41
fufankeji/DeepSeek-OCR-Web

Web Studio d'analyse de documents OCR DeepSeek prêt à l'emploi

fufankeji
⭐ 568 TypeScript 👤 fufankeji User 🕐 Mis à jour 2025-10-27 📅 Créé 2025-10-23
42
LeDat98/NexusRAG

Système RAG hybride combinant la recherche vectorielle, un graphe de connaissances (LightRAG) et un réordonnancement par cross-encoder, avec analyse de documents via Docling, intelligence visuelle (génération de légendes pour les images et les tableaux), chat agentique en streaming et citations intégrées. Propulsé par des modèles Gemini ou Ollama locaux.

LeDat98
⭐ 533 Python 👤 LeDat98 User 🕐 Mis à jour 2026-04-20 📅 Créé 2026-03-15

Foire aux questions

1

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

Le projet #document-parsing open source le mieux classé sur GitHub est PaddlePaddle/PaddleOCR, avec 92,972 étoiles. Transformez n'importe quel document PDF ou image en données structurées pour votre IA. Un kit d'outils OCR puissant et léger qui comble l'écart entre les images/PDF et les LLM. Prend en charge plus de 100 langues.

2

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

Parmi les projets #document-parsing les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, TypeScript, Java, HTML.

3

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

Nous suivons 42 dépôts open source actifs associés à #document-parsing (500+ étoiles), totalisant 356,240 étoiles, avec une moyenne de 8,481 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.