Git Stars Git Stars

#document-parsing Repositórios

Descubra 42 repositórios ativos de código aberto no GitHub marcados com #document-parsing, acumulando um total de 356,240 estrelas (uma média de 8,481 por projeto). O líder deste tópico é PaddlePaddle/PaddleOCR, com 92,972 estrelas.

42
Total de Repositórios
356,240
Total de estrelas
8,481
Média de Estrelas/Repositório

42 repositórios no total

1
PaddlePaddle/PaddleOCR

Transforme qualquer documento PDF ou imagem em dados estruturados para sua IA. Um kit de ferramentas OCR poderoso e leve que preenche a lacuna entre imagens/PDFs e LLMs. Compatível com mais de 100 idiomas.

PaddlePaddle
⭐ 92,972 Python 👤 PaddlePaddle Organization 🕐 Atualizado 2026-09-16 📅 Criado 2020-05-08
2
docling-project/docling

Prepare seus documentos para a IA generativa

docling-project
⭐ 70,843 Python 👤 docling-project Organization 🕐 Atualizado 2026-11-21 📅 Criado 2024-07-09
3
datalab-to/marker

Converter PDF para markdown + JSON rapidamente e com alta precisão

datalab-to
⭐ 41,010 Python 👤 datalab-to Organization 🕐 Atualizado 2026-11-20 📅 Criado 2023-10-30
4
opendataloader-project/opendataloader-pdf

Analisador de PDF para dados prontos para IA. Automatize a acessibilidade de PDF. Código aberto.

opendataloader-project
⭐ 30,355 Java 👤 opendataloader-project Organization 🕐 Atualizado 2026-11-20 📅 Criado 2025-05-13
5
Unstructured-IO/unstructured

Converta documentos em dados estruturados sem esforço. Unstructured é uma solução ETL de código aberto para transformar documentos complexos em formatos limpos e estruturados para modelos de linguagem. Visite nosso site para saber mais sobre nosso produto Plataforma de nível empresarial para fluxos de trabalho de nível de produção, particionamento, enriquecimentos, divisão em blocos (chunking) e incorporação (embedding).

Unstructured-IO
⭐ 15,769 HTML 👤 Unstructured-IO Organization 🕐 Atualizado 2026-11-19 📅 Criado 2022-09-26
6
netease-youdao/QAnything

Perguntas e Respostas baseadas em Qualquer Coisa.

netease-youdao
⭐ 14,210 Python 👤 netease-youdao User 🕐 Atualizado 2026-09-23 📅 Criado 2024-01-03
7
datalab-to/chandra

Modelo de OCR que lida com tabelas complexas, formulários e escrita à mão com layout completo.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Atualizado 2026-11-16 📅 Criado 2025-10-08
8
facebookresearch/nougat

Implementação da Compreensão Óptica Neural Nougat para Documentos Acadêmicos

facebookresearch
⭐ 9,997 Python 👤 facebookresearch Organization 🕐 Atualizado 2025-02-21 📅 Criado 2023-06-07
9
studio-dots-ai/dots.ocr

Análise Multilíngue de Layout de Documentos em um Único Modelo de Visão e Linguagem

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 Atualizado 2026-03-24 📅 Criado 2025-07-30
10
Yuliang-Liu/MonkeyOCR

Um Modelo Leve de Análise de Documentos baseado em LMM

Yuliang-Liu
⭐ 6,653 Python 👤 Yuliang-Liu User 🕐 Atualizado 2026-11-17 📅 Criado 2025-06-03
11
mindee/doctr

docTR (Document Text Recognition) - uma biblioteca fluida, de alto desempenho e acessível para tarefas relacionadas a OCR, impulsionada por Deep Learning. Desenvolvimento e manutenção contínuos por t2k.

mindee
⭐ 6,433 Python 👤 mindee Organization 🕐 Atualizado 2026-11-19 📅 Criado 2021-01-08
12
run-llama/llama_cloud_services

Agentes de Conhecimento e Gestão na Nuvem

run-llama
⭐ 4,273 TypeScript 👤 run-llama Organization 🕐 Atualizado 2026-11-08 📅 Criado 2024-01-31
13
NVIDIA/NeMo-Retriever

A NeMo Retriever Library é um microsserviço escalável e orientado ao desempenho para extração de conteúdo de documentos e metadados. A NeMo Retriever Library usa microsserviços especializados NVIDIA NIM para encontrar, contextualizar e extrair textos, tabelas, gráficos e imagens que você pode usar em aplicações generativas subsequentes.

NVIDIA
⭐ 3,014 Python 👤 NVIDIA Organization 🕐 Atualizado 2026-11-21 📅 Criado 2024-08-22
14
chatdoc-com/OCRFlux

OCRFlux é um kit de ferramentas multimodal leve, porém poderoso, que avança significativamente a conversão de PDF para Markdown, destacando-se no tratamento de layouts complexos, análise de tabelas complicadas e fusão de conteúdo entre páginas.

chatdoc-com
⭐ 2,532 Python 👤 chatdoc-com Organization 🕐 Atualizado 2026-04-14 📅 Criado 2025-06-04
15
Nutlope/llama-ocr

Biblioteca de OCR de Documentos para Markdown com Llama 3.2 vision

Nutlope
⭐ 2,445 TypeScript 👤 Nutlope User 🕐 Atualizado 2026-07-12 📅 Criado 2024-11-12
16
landing-ai/ade-cli

A CLI oficial para Agentic Document Extraction (ADE) da LandingAI — analise documentos e extraia dados estruturados a partir do seu terminal

landing-ai
⭐ 2,427 Python 👤 landing-ai Organization 🕐 Atualizado 2026-10-30 📅 Criado 2025-03-12
18
dnGrep/dnGrep

Ferramenta GREP gráfica para Windows

dnGrep
⭐ 2,246 C# 👤 dnGrep Organization 🕐 Atualizado 2026-11-20 📅 Criado 2014-10-09
19
opendatalab/OmniDocBench

[CVPR 2025] Um Referencial Abrangente para Análise e Avaliação de Documentos

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Atualizado 2026-11-12 📅 Criado 2024-10-14
20
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5: Tornando VLMs de OCR leves mais rápidos e melhores

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Atualizado 2026-09-24 📅 Criado 2025-11-18
21
datalab-to/indra

Modelo de OCR com 1 milhão de parâmetros — funciona em CPU, é 15 vezes mais rápido que o Tesseract e oferece precisão próxima à de modelos com mais de 1 bilhão de parâmetros

datalab-to
⭐ 1,910 Python 👤 datalab-to Organization 🕐 Atualizado 2026-11-04 📅 Criado 2026-10-13
22
enoch3712/ExtractThinker

ExtractThinker é uma biblioteca de Document Intelligence para LLMs, oferecendo interação estilo ORM para fluxos de trabalho de documentos flexíveis e poderosos.

enoch3712
⭐ 1,606 Python 👤 enoch3712 User 🕐 Atualizado 2026-09-16 📅 Criado 2024-02-01
23
NanoNets/docstrange

Extraia e converta dados de qualquer documento, imagens, PDFs, documentos do Word, PPT ou URL para vários formatos (Markdown, JSON, CSV, HTML) com extração inteligente de dados estruturados e OCR avançado.

NanoNets
⭐ 1,578 Python 👤 NanoNets Organization 🕐 Atualizado 2025-10-31 📅 Criado 2025-07-31
24
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
25
zstar1003/ragflow-plus

Ragflow-Plus é uma versão de desenvolvimento secundário do Ragflow, tornando-o mais conciso e prático

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 Atualizado 2026-11-18 📅 Criado 2025-03-24
27
nlmatics/nlm-ingestor

Este repositório fornece o código do lado do servidor para a conexão com a API do llmsherpa. Ele inclui parsers para vários formatos de arquivo.

nlmatics
⭐ 1,282 Python 👤 nlmatics Organization 🕐 Atualizado 2025-03-28 📅 Criado 2024-01-17
28
laramies/metagoofil

Coletor de metadados

laramies
⭐ 1,201 Python 👤 laramies User 🕐 Atualizado 2024-03-21 📅 Criado 2015-08-13
29
aiptimizer/TurboOCR

TurboOCR, >200 img/s OmnidocBench. TensorRT FP16, PP-OCRv6, HTTP + gRPC

aiptimizer
⭐ 1,162 C++ 👤 aiptimizer Organization 🕐 Atualizado 2026-09-27 📅 Criado 2026-03-20
30
allenai/s2orc

S2ORC: O Corpus de Pesquisa Aberta do Semantic Scholar: https://www.aclweb.org/anthology/2020.acl-main.447/

allenai
⭐ 996 Python 👤 allenai Organization 🕐 Atualizado 2024-04-26 📅 Criado 2019-11-04
31
flyhunterl/flymd

Ferramenta de anotações Markdown de alto desempenho! IA gratuita, notas inteligentes, lembretes de TODO, base de conhecimento local, motor de romances de IA. Análise de PDF, notas de voz automáticas, transcrição de áudio. Inicialização em milissegundos.

flyhunterl
⭐ 900 JavaScript 👤 flyhunterl User 🕐 Atualizado 2026-07-22 📅 Criado 2025-10-24
32
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
33
deep-diver/paper-reviewer

Gere uma revisão abrangente de um artigo do arXiv e depois transforme-a numa publicação de blog. Este projeto alimenta o site abaixo para o Daily Papers da HuggingFace (https://huggingface.co/papers).

deep-diver
⭐ 834 Python 👤 deep-diver User 🕐 Atualizado 2025-02-20 📅 Criado 2024-10-21
34
FengZhenfei/carrel

Geração aumentada por ontologia para agentes de IA.

FengZhenfei
⭐ 808 Python 👤 FengZhenfei User 🕐 Atualizado 2026-11-17 📅 Criado 2026-09-28
36
Steven-Luo/MasteringRAG

Sistema RAG de nível empresarial: do iniciante ao especialista

Steven-Luo
⭐ 699 Jupyter Notebook 👤 Steven-Luo User 🕐 Atualizado 2025-06-25 📅 Criado 2024-07-16
37
ggozad/haiku.rag

RAG agêntico para pesquisa de documentos local e auto-hospedada: recuperação híbrida, reranking e RAG multimodal sobre LanceDB integrado, com análise por Docling e um servidor MCP

ggozad
⭐ 665 Python 👤 ggozad User 🕐 Atualizado 2026-11-20 📅 Criado 2024-10-13
38
run-llama/ParseBench

ParseBench - Um benchmark de análise de documentos para agentes de IA

run-llama
⭐ 650 Python 👤 run-llama Organization 🕐 Atualizado 2026-11-21 📅 Criado 2026-04-10
39
skygazer42/MimirQ

Base de conhecimento RAG empresarial com prioridade para o chinês: análise controlável, governança, segmentação, recuperação híbrida, reranking, citações, grafos de conhecimento, avaliação e integração com o Dify.

skygazer42
⭐ 613 Python 👤 skygazer42 User 🕐 Atualizado 2026-11-21 📅 Criado 2025-11-28
40
ankushshah89/python-docx2txt

Uma utilidade baseada puramente em python para extrair texto e imagens de arquivos docx.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Atualizado 2025-03-24 📅 Criado 2015-10-28
41
fufankeji/DeepSeek-OCR-Web

Web Studio de análise de documentos OCR DeepSeek pronto para uso

fufankeji
⭐ 568 TypeScript 👤 fufankeji User 🕐 Atualizado 2025-10-27 📅 Criado 2025-10-23
42
LeDat98/NexusRAG

Sistema RAG híbrido que combina pesquisa vetorial, um grafo de conhecimento (LightRAG) e reclassificação com cross-encoder, com análise de documentos por meio do Docling, inteligência visual (geração de legendas para imagens e tabelas), chat agêntico em streaming e citações incorporadas. Desenvolvido com modelos Gemini ou Ollama locais.

LeDat98
⭐ 533 Python 👤 LeDat98 User 🕐 Atualizado 2026-04-20 📅 Criado 2026-03-15

Perguntas Frequentes

1

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

O projeto de código aberto de #document-parsing mais bem classificado no GitHub é PaddlePaddle/PaddleOCR, com 92,972 estrelas. Transforme qualquer documento PDF ou imagem em dados estruturados para sua IA. Um kit de ferramentas OCR poderoso e leve que preenche a lacuna entre imagens/PDFs e LLMs. Compatível com mais de 100 idiomas.

2

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

Entre os projetos de #document-parsing mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, TypeScript, Java, HTML.

3

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

Acompanhamos 42 repositórios ativos de código aberto marcados com #document-parsing (com mais de 500 estrelas), totalizando 356,240 estrelas e uma média de 8,481 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.