#document-parsing リポジトリ
#document-parsingのタグが付いた、GitHub上の42件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は356,240個で、プロジェクトあたりの平均は8,481個です。このトピックをリードしているのは、92,972個のスターを獲得しているPaddlePaddle/PaddleOCRです。
リポジトリ合計42件
あらゆるPDFや画像ドキュメントをAI用の構造化データに変換します。画像/PDFとLLMの間のギャップを埋める、パワフルで軽量なOCRツールキット。100以上の言語に対応しています。
ドキュメントを構造化データに簡単に変換できます。Unstructuredは、複雑なドキュメントを言語モデル用のクリーンで構造化された形式に変換するオープンソースETLソリューションです。本番グレードのワークフロー、パーティショニング、エンリッチメント、チャンキング、および埋め込みのためのエンタープライズグレードのプラットフォーム製品の詳細については、当社のウェブサイトをご覧ください。
docTR (Document Text Recognition) - ディープラーニングを活用した、シームレスで高性能かつアクセシブルな OCR 関連タスク用ライブラリ。t2k によって継続的に開発・保守されています。
NeMo Retriever Libraryは、スケーラブルでパフォーマンス重視のドキュメントコンテンツおよびメタデータ抽出マイクロサービスです。NeMo Retriever Libraryは、専門化されたNVIDIA NIMマイクロサービスを使用して、後続の生成AIアプリケーションで使用できるテキスト、表、グラフ、画像を検索、コンテキスト化、および抽出します。
OCRFluxは、複雑なレイアウトの處理、困難なテーブルの解析、およびページをまたがるコンテンツのマージに優れ、PDFからMarkdownへの変換を大幅に進歩させる、軽量でありながら強力なマルチモーダルツールキットです。
LandingAIによるAgentic Document Extraction (ADE) 公式CLI — ターミナルからドキュメントを解析し、スキーマに基づいたデータを抽出します
ExtractThinkerは、LLM向けのドキュメントインテリジェンスライブラリであり、柔軟で強力なドキュメントワークフローのためのORMスタイルの対話を提供します。
インテリジェントな構造化データ抽出と高度なOCRにより、ドキュメント、画像、PDF、Wordドキュメント、PPT、またはURLからデータを複数の形式(Markdown、JSON、CSV、HTML)に抽出および変換します。
OpenOCR:汎用OCR研究・アプリケーション向けのオープンソースツールキットであり、統一されたトレーニングおよび評価ベンチマーク、商用レベルのOCRおよびドキュメントパースングシステム、そして広範な学術論文からのコア実装の忠実な再現を統合しています。
S2ORC: Semantic Scholar オープン・リサーチ・コーパス: https://www.aclweb.org/anthology/2020.acl-main.447/
高性能Markdownノートツール!無料AI、スマートメモ、TODOリマインダー、ローカル知識ベース、AI小説エンジン。PDF解析、自動音声ノート、音声からテキストへ。ミリ秒レベルの起動。
arXivの論文の包括的なレビューを生成し、それをブログ記事に変換します。このプロジェクトは、HuggingFaceのデイリーペーパー(https://huggingface.co/papers)の以下のウェブサイトを強化します。
ローカルおよびセルフホスト型のドキュメント検索向けAgentic RAG:組み込みLanceDB上でのハイブリッド検索、再ランキング、マルチモーダルRAG、Doclingによる解析とMCPサーバー
中国語優先の企業向けRAGナレッジベース:制御可能な解析、ガバナンス、チャンク分割、ハイブリッド検索、再ランキング、引用、ナレッジグラフ、評価、Dify連携。
ベクトル検索、ナレッジグラフ(LightRAG)、クロスエンコーダーによる再ランキングを組み合わせたハイブリッド RAG システム。Docling によるドキュメント解析、ビジュアルインテリジェンス(画像・表のキャプション生成)、エージェント型ストリーミングチャット、インライン引用に対応。Gemini またはローカルの Ollama モデルを利用します。
よくある質問
GitHubで最も人気のある#document-parsingリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#document-parsingプロジェクトは、92,972個のスターを獲得しているPaddlePaddle/PaddleOCRです。あらゆるPDFや画像ドキュメントをAI用の構造化データに変換します。画像/PDFとLLMの間のギャップを埋める、パワフルで軽量なOCRツールキット。100以上の言語に対応しています。
#document-parsingリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#document-parsingプロジェクトでは、Python, TypeScript, Java, HTMLが最も一般的なプログラミング言語です。
#document-parsingリポジトリのランキングはどのように算出されていますか?
#document-parsingのタグが付いた42件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は356,240個で、リポジトリあたりの平均は8,481個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。