#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 repositórios no total
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.
Analisador de PDF para dados prontos para IA. Automatize a acessibilidade de PDF. Código aberto.
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).
Modelo de OCR que lida com tabelas complexas, formulários e escrita à mão com layout completo.
Implementação da Compreensão Óptica Neural Nougat para Documentos Acadêmicos
Análise Multilíngue de Layout de Documentos em um Único Modelo de Visão e Linguagem
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.
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.
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.
A CLI oficial para Agentic Document Extraction (ADE) da LandingAI — analise documentos e extraia dados estruturados a partir do seu terminal
[CVPR 2025] Um Referencial Abrangente para Análise e Avaliação de Documentos
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
ExtractThinker é uma biblioteca de Document Intelligence para LLMs, oferecendo interação estilo ORM para fluxos de trabalho de documentos flexíveis e poderosos.
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.
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.
Ragflow-Plus é uma versão de desenvolvimento secundário do Ragflow, tornando-o mais conciso e prático
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.
S2ORC: O Corpus de Pesquisa Aberta do Semantic Scholar: https://www.aclweb.org/anthology/2020.acl-main.447/
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.
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).
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
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.
Uma utilidade baseada puramente em python para extrair texto e imagens de arquivos docx.
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.
Perguntas Frequentes
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.
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.
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.