#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 dépôts au total
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.
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.
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
PDF craft peut convertir des fichiers PDF dans divers autres formats. Ce projet se concentrera sur le traitement des fichiers PDF de livres numérisés.
Tika-Python est une liaison Python aux services REST d'Apache Tika™ permettant d'appeler Tika nativement au sein de la communauté Python.
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.
Un outil pour Windows permettant de copier du texte depuis les dialogues et contrôles qui ne le permettent pas autrement
Bibliothèque d'extraction de texte PDF zéro-copie écrite en Zig. Analyse haute performance, mappée en mémoire avec accélération SIMD.
PDF vers markdown à l'aide de vision LLM — tableaux, mises en page et structure préservés
Transformez du HTML réel désordonné en Markdown propre, dans toutes les langues principales.
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.
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.
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.
Un utilitaire basé sur Python pur pour extraire du texte et des images des fichiers docx.
Une bibliothèque simple et un ensemble d'outils pour analyser, modifier et composer des fichiers SRT.
Foire aux questions
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.
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++.
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.