#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 dépôts au total
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.
Analyseur PDF pour données prêtes pour l'IA. Automatisez l'accessibilité PDF. Open-source.
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.
Modèle OCR qui gère les tableaux complexes, les formulaires et l'écriture manuscrite avec une mise en page complète.
Implémentation de la compréhension optique neuronale Nougat pour les documents académiques
Analyse de la mise en page de documents multilingues dans un modèle unique Vision-Language
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.
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.
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.
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
[CVPR 2025] Un benchmark complet pour l'analyse et l'évaluation de documents
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
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.
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.
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.
Ragflow-Plus est une version de développement secondaire de Ragflow, la rendant plus concise et pratique
Ce dépôt fournit le code côté serveur pour que l'API llmsherpa se connecte. Il comprend des analyseurs pour divers formats de fichiers.
S2ORC : Le Corpus de recherche ouvert Semantic Scholar : https://www.aclweb.org/anthology/2020.acl-main.447/
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.
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).
Archives Historiques Harmonieuses
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
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.
Un utilitaire basé sur Python pur pour extraire du texte et des images des fichiers docx.
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.
Foire aux questions
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.
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.
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.