Git Stars Git Stars

#text-extraction Repositórios

Descubra 27 repositórios ativos de código aberto no GitHub marcados com #text-extraction, acumulando um total de 101,655 estrelas (uma média de 3,765 por projeto). O líder deste tópico é firecrawl/pdf-inspector, com 20,082 estrelas.

27
Total de Repositórios
101,655
Total de estrelas
3,765
Média de Estrelas/Repositório

27 repositórios no total

1
firecrawl/pdf-inspector

Biblioteca rápida em Rust para inspeção, classificação e extração de texto de PDF. Detecta inteligentemente PDFs digitalizados versus baseados em texto para permitir decisões de roteamento inteligentes.

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 Atualizado 2026-11-20 📅 Criado 2026-02-06
2
allenai/olmocr

Ferramenta para linearizar PDFs para conjuntos de dados/treinamento de LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Atualizado 2026-03-25 📅 Criado 2024-09-17
3
run-llama/liteparse

Um analisador de documentos rápido, útil e de código aberto

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 Atualizado 2026-11-20 📅 Criado 2026-02-09
4
xberg-io/xberg

O mecanismo de inteligência documental rápido e preciso para todos os idiomas: texto, tabelas e metadados de mais de 100 formatos, com OCR, transcrição e inteligência de código.

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 Atualizado 2026-11-21 📅 Criado 2025-01-31
5
adbar/trafilatura

Ferramenta Python e de linha de comando para coletar texto e metadados da Web: Rastreamento, raspagem, extração, com saída em CSV, JSON, HTML, MD, TXT, XML

adbar
⭐ 7,157 Python 👤 adbar User 🕐 Atualizado 2026-11-20 📅 Criado 2019-04-08
6
oomol-lab/pdf-craft

O craft de PDF pode converter arquivos PDF em vários outros formatos. Este projeto se concentrará no processamento de arquivos PDF de livros escaneados.

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 Atualizado 2026-11-20 📅 Criado 2025-02-12
7
miso-belica/sumy

Módulo para sumarização automática de documentos de texto e páginas HTML.

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 Atualizado 2026-11-11 📅 Criado 2013-02-20
8
unidoc/unipdf

Biblioteca PDF em Golang para criar e processar arquivos PDF (em Go puro)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 Atualizado 2026-10-20 📅 Criado 2019-05-16
9
schappim/macOCR

Coloque qualquer texto na sua tela na sua área de transferência.

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 Atualizado 2026-09-04 📅 Criado 2021-05-19
10
nguyenq/tess4j

Wrapper Java JNA para a API Tesseract OCR

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 Atualizado 2026-11-07 📅 Criado 2014-06-25
11
chrismattmann/tika-python

Tika-Python é uma ligação Python para os serviços REST do Apache Tika™, permitindo que o Tika seja chamado nativamente na comunidade Python.

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 Atualizado 2026-11-10 📅 Criado 2014-06-26
12
yfedoseev/pdf_oxide

A biblioteca PDF mais rápida para Python e Rust. Extração de texto, extração de imagens, conversão para markdown, criação e edição de PDF. Média de 0.8 ms, 5× mais rápida que os líderes da indústria, taxa de aprovação de 100% em 3.830 PDFs. MIT/Apache-2.0.

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 Atualizado 2026-11-21 📅 Criado 2025-11-05
13
m417z/Textify

Uma ferramenta para Windows para copiar texto de caixas de diálogo e controles que de outra forma não permitem

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 Atualizado 2026-04-13 📅 Criado 2018-03-04
14
Lulzx/zpdf

Biblioteca de extração de texto PDF de cópia zero escrita em Zig. Análise de alto desempenho, mapeada em memória com aceleração SIMD.

Lulzx
⭐ 925 Zig 👤 Lulzx User 🕐 Atualizado 2026-08-13 📅 Criado 2025-12-30
⭐ 900 👤 golangboy User 🕐 Atualizado 2025-03-25 📅 Criado 2025-03-24
16
yigitkonur/api-llm-ocr

PDF para markdown usando LLMs de visão — tabelas, layout e estrutura preservados

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 Atualizado 2026-02-21 📅 Criado 2024-09-22
17
xberg-io/html-to-markdown

Transforme HTML desorganizado do mundo real em Markdown limpo, em todos os principais idiomas.

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 Atualizado 2026-11-21 📅 Criado 2025-02-03
18
miso-belica/jusText

Ferramenta de remoção de código repetitivo baseada em heurísticas

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 Atualizado 2026-10-21 📅 Criado 2013-02-10
19
ICIJ/datashare

Um motor de busca auto-hospedado para documentos

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 Atualizado 2026-11-20 📅 Criado 2016-04-20
20
Doriandarko/RepoToTextForLLMs

Automatize a análise de repositórios GitHub para LLMs com o RepoToTextForLLMs. Obtenha READMEs, estrutura e arquivos não binários de forma eficiente. Os resultados incluem prompts de análise para auxiliar na avaliação abrangente do repositório.

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 Atualizado 2024-05-21 📅 Criado 2024-03-11
21
raghavan/PdfGptIndexer

Ferramenta baseada em RAG para indexação e busca de dados de texto de PDF usando a API OpenAI e o índice FAISS (Facebook AI Similarity Search), projetada para recuperação rápida de informações e precisão superior na busca.

raghavan
⭐ 677 Python 👤 raghavan User 🕐 Atualizado 2025-11-02 📅 Criado 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

Tradução automática de frontend. Suporta tradutores Youdao/Google/Baidu/personalizados. Compatível com webpack/vite/rollup/rsbuild, adaptável a todos os frameworks compilados para JS, suporta interpolação, namespaces, etc., ajudando você a traduzir o projeto com um clique.

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 Atualizado 2026-02-01 📅 Criado 2023-09-04
23
jrmuizel/pdf-extract

Uma biblioteca Rust para extrair conteúdo de PDFs

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Atualizado 2026-09-16 📅 Criado 2017-02-01
24
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
25
ropensci/pdftools

Extração, Renderização e Conversão de Documentos PDF

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 Atualizado 2026-08-30 📅 Criado 2016-02-23
26
cdown/srt

Uma biblioteca simples e um conjunto de ferramentas para analisar, modificar e compor arquivos SRT.

cdown
⭐ 528 Python 👤 cdown User 🕐 Atualizado 2024-03-19 📅 Criado 2014-12-28
27
JoshData/pdf-diff

Um utilitário de comparação de PDF em Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Atualizado 2026-02-08 📅 Criado 2014-06-09

Perguntas Frequentes

1

Qual é o repositório de #text-extraction mais popular no GitHub?

O projeto de código aberto de #text-extraction mais bem classificado no GitHub é firecrawl/pdf-inspector, com 20,082 estrelas. Biblioteca rápida em Rust para inspeção, classificação e extração de texto de PDF. Detecta inteligentemente PDFs digitalizados versus baseados em texto para permitir decisões de roteamento inteligentes.

2

Quais linguagens de programação são mais usadas nos repositórios de #text-extraction?

Entre os projetos de #text-extraction mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Rust, Java, C++.

3

Como é calculada a classificação dos repositórios de #text-extraction?

Acompanhamos 27 repositórios ativos de código aberto marcados com #text-extraction (com mais de 500 estrelas), totalizando 101,655 estrelas e uma média de 3,765 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.