Git Stars Git Stars

#text-extraction Dépôts

Découvrez 27 dépôts GitHub open source actifs associés à #text-extraction, cumulant 101,655 étoiles au total (soit une moyenne de 3,765 étoiles par projet). Le projet en tête de ce thème est firecrawl/pdf-inspector, avec 20,082 étoiles.

27
Total des Dépôts
101,655
Nombre total d'étoiles
3,765
Moyenne d'Étoiles/Dépôt
1
firecrawl/pdf-inspector

Bibliothèque rapide en Rust pour l'inspection, la classification et l'extraction de texte des PDF. Détecte intelligemment les PDF scannés par rapport aux PDF basés sur du texte pour permettre des décisions de routage intelligentes.

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2026-02-06
2
allenai/olmocr

Toolkit pour la linéarisation des PDF pour les jeux de données/l'entraînement LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Mis à jour 2026-03-25 📅 Créé 2024-09-17
3
run-llama/liteparse

Un analyseur de documents rapide, utile et open-source

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2026-02-09
4
xberg-io/xberg

Le moteur d’intelligence documentaire rapide et précis pour toutes les langues : texte, tableaux et métadonnées issus de plus de 100 formats, avec OCR, transcription et intelligence du code.

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2025-01-31
5
adbar/trafilatura

Outil Python et en ligne de commande pour collecter du texte et des métadonnées sur le Web : Crawling, scraping, extraction, sortie au format CSV, JSON, HTML, MD, TXT, XML

adbar
⭐ 7,157 Python 👤 adbar User 🕐 Mis à jour 2026-11-20 📅 Créé 2019-04-08
6
oomol-lab/pdf-craft

PDF craft peut convertir des fichiers PDF dans divers autres formats. Ce projet se concentrera sur le traitement des fichiers PDF de livres numérisés.

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2025-02-12
7
miso-belica/sumy

Module pour la synthèse automatique de documents texte et de pages HTML.

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 Mis à jour 2026-11-11 📅 Créé 2013-02-20
8
unidoc/unipdf

Bibliothèque PDF Golang pour la création et le traitement de fichiers PDF (Go pur)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 Mis à jour 2026-10-20 📅 Créé 2019-05-16
9
schappim/macOCR

Obtenez n'importe quel texte sur votre écran dans votre presse-papiers.

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 Mis à jour 2026-09-04 📅 Créé 2021-05-19
10
nguyenq/tess4j

Wrapper Java JNA pour l'API Tesseract OCR

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 Mis à jour 2026-11-07 📅 Créé 2014-06-25
11
chrismattmann/tika-python

Tika-Python est une liaison Python aux services REST d'Apache Tika™ permettant d'appeler Tika nativement au sein de la communauté Python.

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 Mis à jour 2026-11-10 📅 Créé 2014-06-26
12
yfedoseev/pdf_oxide

La bibliothèque PDF la plus rapide pour Python et Rust. Extraction de texte, extraction d'images, conversion en markdown, création et édition de PDF. Moyenne de 0,8 ms, 5× plus rapide que les leaders du secteur, taux de réussite de 100 % sur 3 830 PDF. MIT/Apache-2.0.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Mis à jour 2026-11-21 📅 Créé 2025-11-05
13
m417z/Textify

Un outil pour Windows permettant de copier du texte depuis les dialogues et contrôles qui ne le permettent pas autrement

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 Mis à jour 2026-04-13 📅 Créé 2018-03-04
14
Lulzx/zpdf

Bibliothèque d'extraction de texte PDF zéro-copie écrite en Zig. Analyse haute performance, mappée en mémoire avec accélération SIMD.

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

PDF vers markdown à l'aide de vision LLM — tableaux, mises en page et structure préservés

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 Mis à jour 2026-02-21 📅 Créé 2024-09-22
17
xberg-io/html-to-markdown

Transformez du HTML réel désordonné en Markdown propre, dans toutes les langues principales.

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2025-02-03
18
miso-belica/jusText

Outil de suppression de boilerplate basé sur des heuristiques

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 Mis à jour 2026-10-21 📅 Créé 2013-02-10
19
ICIJ/datashare

Un moteur de recherche auto-hébergé pour les documents

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2016-04-20
20
Doriandarko/RepoToTextForLLMs

Automatisez l'analyse des dépôts GitHub pour les LLM avec RepoToTextForLLMs. Récupérez efficacement les README, la structure et les fichiers non binaires. Les sorties comprennent des invites d'analyse pour aider à une évaluation complète du dépôt.

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 Mis à jour 2024-05-21 📅 Créé 2024-03-11
21
raghavan/PdfGptIndexer

Outil basé sur RAG pour l'indexation et la recherche de données textuelles PDF utilisant l'API OpenAI et un index FAISS (Facebook AI Similarity Search), conçu pour une récupération rapide d'informations et une précision de recherche supérieure.

raghavan
⭐ 677 Python 👤 raghavan User 🕐 Mis à jour 2025-11-02 📅 Créé 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

Traduction automatique frontend. Prend en charge Youdao/Google/Baidu/traducteurs personnalisés. Compatible avec webpack/vite/rollup/rsbuild, s'adapte à tous les frameworks compilés en JS, prend en charge les interpolations, les espaces de noms, etc., vous aidant à traduire votre projet en un clic.

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 Mis à jour 2026-02-01 📅 Créé 2023-09-04
23
jrmuizel/pdf-extract

Une bibliothèque Rust pour extraire le contenu des PDF

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Mis à jour 2026-09-16 📅 Créé 2017-02-01
24
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
25
ropensci/pdftools

Extraction de texte, rendu et conversion de documents PDF

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 Mis à jour 2026-08-30 📅 Créé 2016-02-23
26
cdown/srt

Une bibliothèque simple et un ensemble d'outils pour analyser, modifier et composer des fichiers SRT.

cdown
⭐ 528 Python 👤 cdown User 🕐 Mis à jour 2024-03-19 📅 Créé 2014-12-28
27
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

Foire aux questions

1

Quel est le dépôt #text-extraction le plus populaire sur GitHub ?

Le projet #text-extraction open source le mieux classé sur GitHub est firecrawl/pdf-inspector, avec 20,082 étoiles. Bibliothèque rapide en Rust pour l'inspection, la classification et l'extraction de texte des PDF. Détecte intelligemment les PDF scannés par rapport aux PDF basés sur du texte pour permettre des décisions de routage intelligentes.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #text-extraction ?

Parmi les projets #text-extraction les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Rust, Java, C++.

3

Comment le classement des dépôts #text-extraction est-il calculé ?

Nous suivons 27 dépôts open source actifs associés à #text-extraction (500+ étoiles), totalisant 101,655 étoiles, avec une moyenne de 3,765 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.