Git Stars Git Stars

#document-analysis Repositórios

Descubra 33 repositórios ativos de código aberto no GitHub marcados com #document-analysis, acumulando um total de 134,538 estrelas (uma média de 4,076 por projeto). O líder deste tópico é opendatalab/MinerU, com 84,093 estrelas.

33
Total de Repositórios
134,538
Total de estrelas
4,076
Média de Estrelas/Repositório

33 repositórios no total

1
opendatalab/MinerU

Transforma documentos complexos como PDFs e documentos do Office em markdown/JSON pronto para LLM para seus fluxos de trabalho Agentic.

opendatalab
⭐ 84,093 Python 👤 opendatalab Organization 🕐 Atualizado 2026-11-20 📅 Criado 2024-02-29
2
bytedance/Dolphin

O repositório oficial para “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.

bytedance
⭐ 9,065 Python 👤 bytedance Organization 🕐 Atualizado 2026-03-25 📅 Criado 2025-05-13
3
ucbepic/docetl

Um sistema baseado em agentes para processamento de dados e ETL, impulsionado por LLM.

ucbepic
⭐ 4,266 Python 👤 ucbepic Organization 🕐 Atualizado 2026-11-17 📅 Criado 2024-07-09
4
camelot-dev/camelot

Uma biblioteca Python para extrair dados tabulares de PDFs

camelot-dev
⭐ 3,858 Python 👤 camelot-dev Organization 🕐 Atualizado 2026-11-21 📅 Criado 2019-07-01
5
echohive42/AI-reads-books-page-by-page

A IA lê livros: Extrator e Resumidor de Conhecimento de PDF Página por Página. O script realiza uma análise inteligente, página por página, de livros em PDF, extraindo metodicamente pontos de conhecimento e gerando resumos progressivos em intervalos especificados.

echohive42
⭐ 3,453 Python 👤 echohive42 User 🕐 Atualizado 2026-10-30 📅 Criado 2024-12-28
6
kba/awesome-ocr

Links para projetos OCR incríveis

kba
⭐ 3,074 👤 kba User 🕐 Atualizado 2024-07-06 📅 Criado 2016-04-27
7
UglyToad/PdfPig

Ler e extrair texto e outro conteúdo de PDFs em C# (porta do PDFBox)

UglyToad
⭐ 2,626 C# 👤 UglyToad Organization 🕐 Atualizado 2026-11-10 📅 Criado 2017-11-09
8
DanBloomberg/leptonica

Leptonica é uma biblioteca de código aberto contendo software que é amplamente útil para aplicações de processamento e análise de imagens. O repositório oficial do github para Leptonica é: danbloomberg/leptonica. Consulte leptonica.org para mais documentação.

DanBloomberg
⭐ 2,107 C 👤 DanBloomberg User 🕐 Atualizado 2026-11-20 📅 Criado 2016-01-13
9
NanoNets/docext

Um kit de ferramentas local, livre de OCR para extração de dados não estruturados, conversão para markdown e benchmarking. (https://idp-leaderboard.org/)

NanoNets
⭐ 2,086 Python 👤 NanoNets Organization 🕐 Atualizado 2026-03-17 📅 Criado 2025-03-25
10
AlibabaResearch/AdvancedLiterateMachinery

Uma coleção de ideias e algoritmos originais e inovadores voltados para Máquinas Literatas Avançadas. Este projeto é mantido pela Equipe de OCR no Laboratório de Tecnologia de Linguagem, Tongyi Lab, Alibaba Group.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Atualizado 2026-03-17 📅 Criado 2022-09-28
11
Topdu/OpenOCR

OpenOCR: Um conjunto de ferramentas de código aberto para pesquisa e aplicações gerais de OCR, integra um benchmark unificado de treinamento e avaliação, sistemas OCR e de processamento de documentos de nível comercial, e reproduções fiel das implementações principais de uma ampla gama de artigos acadêmicos.

Topdu
⭐ 1,498 Python 👤 Topdu User 🕐 Atualizado 2026-09-21 📅 Criado 2024-05-31
12
DocumindHQ/documind

Plataforma de código aberto para extrair dados estruturados de documentos usando IA.

DocumindHQ
⭐ 1,475 JavaScript 👤 DocumindHQ Organization 🕐 Atualizado 2025-05-15 📅 Criado 2024-11-17
13
nishiwen1214/ChatReviewer

ChatReviewer: Usando o ChatGPT para analisar os pontos fortes e fracos de artigos e propor sugestões de melhoria

nishiwen1214
⭐ 1,366 Python 👤 nishiwen1214 User 🕐 Atualizado 2024-11-22 📅 Criado 2023-03-18
14
Calamari-OCR/calamari

Motor ATR baseado em Linha com base em OCRopy

Calamari-OCR
⭐ 1,204 Python 👤 Calamari-OCR Organization 🕐 Atualizado 2026-06-23 📅 Criado 2018-03-20
15
Mingtzge/2019-CCF-BDCI-OCR-MCZJ-OCR-IdentificationIDElement

Código-fonte do desafio da Equipe Tianchen Poxiao, ganhadora do Prêmio de Melhor Exploração Inovadora na Competição CCF-BDCI de 2019 e campeã do desafio de Extração de Elementos de Cartão de Identidade Baseada em OCR.

Mingtzge
⭐ 899 Python 👤 Mingtzge User 🕐 Atualizado 2024-07-25 📅 Criado 2019-12-30
16
freelawproject/x-ray

Uma ferramenta para detectar se um PDF possui uma ocultação deficiente.

freelawproject
⭐ 837 Python 👤 freelawproject Organization 🕐 Atualizado 2026-11-20 📅 Criado 2020-12-17
17
datalab-to/pdftext

Extrair texto estruturado de PDFs rapidamente

datalab-to
⭐ 744 Python 👤 datalab-to Organization 🕐 Atualizado 2026-10-22 📅 Criado 2024-04-24
18
ispras/dedoc

Dedoc é uma biblioteca (serviço) para automatizar a análise de documentos e trazê-los para um formato uniforme. Ele extrai automaticamente conteúdo, estrutura lógica, tabelas e metainformações de documentos eletrônicos textuais. (Analisar documento; Extração de conteúdo de documento; Extração de estrutura lógica; Analisador de PDF; Analisador de documento digitalizado; Analisador de DOCX; Analisador de HTML

ispras
⭐ 739 Python 👤 ispras Organization 🕐 Atualizado 2026-11-09 📅 Criado 2020-12-07
19
OCR4all/OCR4all

Fornece serviços de OCR (Reconhecimento Ótico de Caracteres) através de aplicações web

OCR4all
⭐ 713 Java 👤 OCR4all Organization 🕐 Atualizado 2026-09-14 📅 Criado 2019-01-23
20
allenai/pdffigures2

Dado um PDF acadêmico, extraia figuras, tabelas, legendas e títulos de seção.

allenai
⭐ 712 Scala 👤 allenai Organization 🕐 Atualizado 2024-03-10 📅 Criado 2016-05-09
22
ndl-lab/ndlocr_cli

Repositório da aplicação NDLOCR (incluindo o código fonte)

ndl-lab
⭐ 686 Python 👤 ndl-lab Organization 🕐 Atualizado 2026-01-05 📅 Criado 2022-03-30
23
allenai/science-parse

Science Parse analisa artigos científicos (em formato PDF) e os retorna em formato estruturado.

allenai
⭐ 686 Java 👤 allenai Organization 🕐 Atualizado 2024-05-26 📅 Criado 2015-08-19
24
0xabu/pdfannots

Extrai e formata anotações de texto de um arquivo PDF

0xabu
⭐ 676 Python 👤 0xabu User 🕐 Atualizado 2026-11-12 📅 Criado 2017-01-28
25
Alibaba-NLP/ViDoRAG

[EMNLP 2025] ViDoRAG: Geração Aumentada por Recuperação de Documentos Visuais via Agentes de Raciocínio Iterativo Dinâmico

Alibaba-NLP
⭐ 670 Python 👤 Alibaba-NLP Organization 🕐 Atualizado 2026-01-11 📅 Criado 2025-02-25
26
opendatalab/MinerU-Diffusion

[ECCV 2026] Um framework baseado em difusão para OCR de documentos que substitui a decodificação autorregressiva pela decodificação de difusão paralela em nível de bloco.

opendatalab
⭐ 624 Python 👤 opendatalab Organization 🕐 Atualizado 2026-06-18 📅 Criado 2026-03-13
27
maxandrews/Epstein-doc-explorer

um explorador de grafos dos e-mails de Epstein

maxandrews
⭐ 598 JavaScript 👤 maxandrews User 🕐 Atualizado 2025-11-20 📅 Criado 2025-11-14
28
CybercentreCanada/assemblyline

Assemblyline 4: Triagem de arquivos e análise de malware

CybercentreCanada
⭐ 572 Python 👤 CybercentreCanada Organization 🕐 Atualizado 2026-11-20 📅 Criado 2020-12-03
29
wenwenyu/PICK-pytorch

Código para o artigo "PICK: Processamento de Extração de Informações Chave de Documentos usando Redes Convolucionais de Aprendizagem em Grafos Aprimoradas" (ICPR 2020)

wenwenyu
⭐ 570 Python 👤 wenwenyu User 🕐 Atualizado 2024-07-25 📅 Criado 2020-07-15
30
leedrake5/unredact

Uma ferramenta simples para ler documentos pouco censurados e reproduzir sua forma original.

leedrake5
⭐ 565 Python 👤 leedrake5 User 🕐 Atualizado 2026-01-06 📅 Criado 2025-12-23
32
JoshData/pdf-diff

Um utilitário de comparação de PDF em Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Atualizado 2026-02-08 📅 Criado 2014-06-09
33
awslabs/handwritten-text-recognition-for-apache-mxnet

Este repositório permite treinar modelos de redes neurais para realizar reconhecimento de escrita manual de página inteira de ponta a ponta usando os frameworks de deep learning Apache MXNet no IAM Dataset.

awslabs
⭐ 526 Jupyter Notebook 👤 awslabs Organization 🕐 Atualizado 2026-02-05 📅 Criado 2019-02-26

Perguntas Frequentes

1

Qual é o repositório de #document-analysis mais popular no GitHub?

O projeto de código aberto de #document-analysis mais bem classificado no GitHub é opendatalab/MinerU, com 84,093 estrelas. Transforma documentos complexos como PDFs e documentos do Office em markdown/JSON pronto para LLM para seus fluxos de trabalho Agentic.

2

Quais linguagens de programação são mais usadas nos repositórios de #document-analysis?

Entre os projetos de #document-analysis mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, JavaScript, Java, C#.

3

Como é calculada a classificação dos repositórios de #document-analysis?

Acompanhamos 33 repositórios ativos de código aberto marcados com #document-analysis (com mais de 500 estrelas), totalizando 134,538 estrelas e uma média de 4,076 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.