#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 repositórios no total
Transforma documentos complexos como PDFs e documentos do Office em markdown/JSON pronto para LLM para seus fluxos de trabalho Agentic.
O repositório oficial para “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.
Um sistema baseado em agentes para processamento de dados e ETL, impulsionado por LLM.
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.
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.
Um kit de ferramentas local, livre de OCR para extração de dados não estruturados, conversão para markdown e benchmarking. (https://idp-leaderboard.org/)
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.
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.
Plataforma de código aberto para extrair dados estruturados de documentos usando IA.
ChatReviewer: Usando o ChatGPT para analisar os pontos fortes e fracos de artigos e propor sugestões de melhoria
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.
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
Fornece serviços de OCR (Reconhecimento Ótico de Caracteres) através de aplicações web
Dado um PDF acadêmico, extraia figuras, tabelas, legendas e títulos de seção.
Science Parse analisa artigos científicos (em formato PDF) e os retorna em formato estruturado.
[EMNLP 2025] ViDoRAG: Geração Aumentada por Recuperação de Documentos Visuais via Agentes de Raciocínio Iterativo Dinâmico
[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.
Código para o artigo "PICK: Processamento de Extração de Informações Chave de Documentos usando Redes Convolucionais de Aprendizagem em Grafos Aprimoradas" (ICPR 2020)
Uma ferramenta simples para ler documentos pouco censurados e reproduzir sua forma original.
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.
Perguntas Frequentes
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.
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#.
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.