Git Stars Git Stars

#text-extraction Repository

Scopri 27 repository GitHub open source attivi contrassegnati con #text-extraction, che raccolgono un totale di 101,655 stelle (con una media di 3,765 stelle per progetto). Il progetto leader di questo argomento è firecrawl/pdf-inspector, con 20,082 stelle.

27
Totale Repository
101,655
Totale stelle
3,765
Media Stelle/Repo

27 repository in totale

1
firecrawl/pdf-inspector

Libreria veloce in Rust per ispezione, classificazione ed estrazione testo dei PDF. Rileva intelligentemente PDF scansionati vs basati su testo per abilitare decisioni di routing intelligenti.

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2026-02-06
2
allenai/olmocr

Toolkit per la linearizzazione di PDF per dataset/addestramento LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Aggiornato 2026-03-25 📅 Creato 2024-09-17
3
run-llama/liteparse

Un parser di documenti veloce, utile e open-source

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2026-02-09
4
xberg-io/xberg

Il motore di intelligenza documentale rapido e preciso per ogni lingua: testo, tabelle e metadati da oltre 100 formati, con OCR, trascrizione e intelligenza del codice.

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2025-01-31
5
adbar/trafilatura

Strumento Python e da riga di comando per raccogliere testo e metadati sul Web: Crawling, scraping, estrazione, output come CSV, JSON, HTML, MD, TXT, XML

adbar
⭐ 7,157 Python 👤 adbar User 🕐 Aggiornato 2026-11-20 📅 Creato 2019-04-08
6
oomol-lab/pdf-craft

PDF craft può convertire file PDF in vari altri formati. Questo progetto si concentrerà sull'elaborazione di file PDF di libri scansionati.

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2025-02-12
7
miso-belica/sumy

Modulo per la sintesi automatica di documenti di testo e pagine HTML.

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 Aggiornato 2026-11-11 📅 Creato 2013-02-20
8
unidoc/unipdf

Libreria PDF Golang per la creazione e l'elaborazione di file PDF (Go puro)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 Aggiornato 2026-10-20 📅 Creato 2019-05-16
9
schappim/macOCR

Porta qualsiasi testo sullo schermo negli appunti.

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 Aggiornato 2026-09-04 📅 Creato 2021-05-19
10
nguyenq/tess4j

Wrapper Java JNA per Tesseract OCR API

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 Aggiornato 2026-11-07 📅 Creato 2014-06-25
11
chrismattmann/tika-python

Tika-Python è un binding Python per i servizi REST di Apache Tika™ che consente di chiamare Tika nativamente nella comunità Python.

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 Aggiornato 2026-11-10 📅 Creato 2014-06-26
12
yfedoseev/pdf_oxide

La libreria PDF più veloce per Python e Rust. Estrazione testo, estrazione immagini, conversione markdown, creazione e modifica PDF. Media 0.8 ms, 5× più veloce dei leader del settore, tasso di successo 100% su 3.830 PDF. MIT/Apache-2.0.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Aggiornato 2026-11-21 📅 Creato 2025-11-05
13
m417z/Textify

Uno strumento per Windows per copiare testo da dialoghi e controlli che altrimenti non lo permettono

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 Aggiornato 2026-04-13 📅 Creato 2018-03-04
14
Lulzx/zpdf

Libreria di estrazione testo PDF a copia zero scritta in Zig. Parsing ad alte prestazioni, mappato in memoria con accelerazione SIMD.

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

PDF in markdown usando vision LLMs — tabelle, layout e struttura preservati

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 Aggiornato 2026-02-21 📅 Creato 2024-09-22
17
xberg-io/html-to-markdown

Trasforma HTML disordinato del mondo reale in Markdown pulito, in tutte le principali lingue.

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2025-02-03
18
miso-belica/jusText

Strumento di rimozione boilerplate basato su euristiche

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 Aggiornato 2026-10-21 📅 Creato 2013-02-10
19
ICIJ/datashare

Un motore di ricerca self-hosted per documenti

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2016-04-20
20
Doriandarko/RepoToTextForLLMs

Automatizza l'analisi dei repository GitHub per LLM con RepoToTextForLLMs. Recupera efficientemente README, struttura e file non binari. Gli output includono prompt di analisi per facilitare una valutazione completa del repository.

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 Aggiornato 2024-05-21 📅 Creato 2024-03-11
21
raghavan/PdfGptIndexer

Strumento basato su RAG per l'indicizzazione e la ricerca di dati testuali PDF utilizzando l'API di OpenAI e l'indice FAISS (Facebook AI Similarity Search), progettato per un rapido recupero delle informazioni e una superiore accuratezza della ricerca.

raghavan
⭐ 677 Python 👤 raghavan User 🕐 Aggiornato 2025-11-02 📅 Creato 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

Traduzione automatica frontend. Supporta traduttori Youdao/Google/Baidu/personalizzati. Compatibile con webpack/vite/rollup/rsbuild, adattabile a tutti i framework compilati in JS, supporta interpolazioni, namespace, ecc., aiutandoti a tradurre il tuo progetto con un clic.

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 Aggiornato 2026-02-01 📅 Creato 2023-09-04
23
jrmuizel/pdf-extract

Una libreria Rust per estrarre contenuti da PDF

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Aggiornato 2026-09-16 📅 Creato 2017-02-01
24
ankushshah89/python-docx2txt

Un'utilità basata su Python puro per estrarre testo e immagini dai file docx.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Aggiornato 2025-03-24 📅 Creato 2015-10-28
25
ropensci/pdftools

Estrazione del testo, rendering e conversione di documenti PDF

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 Aggiornato 2026-08-30 📅 Creato 2016-02-23
26
cdown/srt

Una semplice libreria e un set di strumenti per l'analisi, la modifica e la composizione di file SRT.

cdown
⭐ 528 Python 👤 cdown User 🕐 Aggiornato 2024-03-19 📅 Creato 2014-12-28
27
JoshData/pdf-diff

Un'utilità di confronto PDF in Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Aggiornato 2026-02-08 📅 Creato 2014-06-09

Domande frequenti

1

Qual è il repository #text-extraction più popolare su GitHub?

Il progetto open source #text-extraction più alto in classifica su GitHub è firecrawl/pdf-inspector, con 20,082 stelle. Libreria veloce in Rust per ispezione, classificazione ed estrazione testo dei PDF. Rileva intelligentemente PDF scansionati vs basati su testo per abilitare decisioni di routing intelligenti.

2

Quali linguaggi di programmazione sono più utilizzati nei repository #text-extraction?

Tra i progetti #text-extraction più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Rust, Java, C++.

3

Come viene calcolata la classifica dei repository #text-extraction?

Monitoriamo 27 repository open source attivi contrassegnati con #text-extraction (500+ stelle), per un totale di 101,655 stelle e una media di 3,765 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.