Git Stars Git Stars

#document-analysis Репозитории

Откройте для себя 33 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #document-analysis, с общим числом 134,538 звёзд (в среднем 4,076 на проект). Лидером этой темы является opendatalab/MinerU, набравший 84,093 звёзд.

33
Всего репозиториев
134,538
Всего звезд
4,076
Среднее количество звезд на репозиторий

Всего репозиториев: 33

1
opendatalab/MinerU

Преобразует сложные документы, такие как PDF и документы Office, в markdown/JSON, готовые для LLM, для ваших Agentic рабочих процессов.

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

Официальный репозиторий для «Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting», ACL, 2025.

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

Система для агентной обработки данных на базе LLM и ETL

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

Библиотека Python для извлечения табличных данных из PDF

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

ИИ читает книги: Постраничный экстрактор и сумматор знаний из PDF. скрипт выполняет интеллектуальный постраничный анализ PDF-книг, методично извлекая точки знаний и генерируя прогрессивные резюме через заданные интервалы

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

Ссылки на крутые проекты OCR

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

Чтение и извлечение текста и другого содержимого из PDF на C# (порт PDFBox)

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

Leptonica — это библиотека с открытым исходным кодом, содержащая программное обеспечение, широко применимое для обработки изображений и приложений анализа изображений. Официальный репозиторий Leptonica на GitHub: danbloomberg/leptonica. Дополнительную документацию см. на сайте leptonica.org.

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

Локальный набор инструментов для извлечения неструктурированных данных, преобразования в Markdown и бенчмаркинга без OCR. (https://idp-leaderboard.org/)

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

Сборник оригинальных, инновационных идей и алгоритмов для продвинутых литературных машин. Этот проект поддерживается командой OCR в лаборатории языковых технологий Tongyi Lab группы Alibaba.

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

OpenOCR: открытый набор инструментов для исследований и приложений общего OCR, объединяющий унифицированный набор данных для обучения и оценки, коммерческую систему OCR и разбор документов, а также точные воспроизведения основных реализаций из широкого спектра академических статей.

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

Платформа с открытым исходным кодом для извлечения структурированных данных из документов с использованием ИИ.

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

ChatReviewer: Анализирует эссе с помощью ChatGPT, выделяя плюсы и минусы и предлагая улучшения

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

Движок ATR на основе строк, основанный на OCRopy

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

Конкурс 2019CCF-BDCI Лауреат премии за лучшее инновационное исследование Чемпион по теме извлечения элементов удостоверения личности на основе OCR Команда Тяньчэнь Посяо Исходный код темы

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

Инструмент для обнаружения некорректного скрытия информации в PDF-файле

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

Быстро извлекайте структурированный текст из PDF

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

Dedoc — это библиотека (сервис) для автоматического парсинга документов и приведения их к единообразному формату. Он автоматически извлекает контент, логическую структуру, таблицы и метаинформацию из текстовых электронных документов. (Парсинг документа; Извлечение содержимого документа; Извлечение логической структуры; Парсер PDF; Парсер сканированных документов; Парсер DOCX; Парсер HTML)

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

Предоставляет услуги OCR (оптического распознавания символов) через веб-приложения

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

Дан научный PDF, извлеките рисунки, таблицы, подписи и заголовки разделов.

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

Репозиторий приложения NDLOCR (включая исходный код)

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

Science Parse разбирает научные статьи (в формате PDF) и возвращает их в структурированном виде.

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

Извлекает и форматирует текстовые аннотации из файла PDF

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

[EMNLP 2025] ViDoRAG: Генерация с дополнением извлечения визуальных документов посредством динамических итеративных агентов рассуждения

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

[ECCV 2026] Фреймворк на основе диффузии для OCR документов, заменяющий авторегрессионное декодирование блочным параллельным диффузионным декодированием.

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

графический исследователь писем Эпштейна

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

Assemblyline 4: первичный анализ файлов и анализ вредоносного ПО

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

Код для статьи «PICK: Извлечение ключевой информации из документов с использованием улучшенных графовых сверточных сетей» (ICPR 2020)

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

Простой инструмент для чтения плохо редактированных документов и воспроизведения их исходной формы.

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

Утилита для сравнения PDF-файлов на Python.

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

Этот репозиторий позволяет обучать модели нейронных сетей для выполнения end-to-end распознавания рукописного текста на полной странице с использованием фреймворков глубокого обучения Apache MXNet на датасете IAM.

awslabs
⭐ 526 Jupyter Notebook 👤 awslabs Organization 🕐 Обновлено 2026-02-05 📅 Создано 2019-02-26

Часто задаваемые вопросы

1

Какой репозиторий по теме #document-analysis наиболее популярен на GitHub?

Самый высоко оценённый проект с открытым исходным кодом по теме #document-analysis на GitHub — opendatalab/MinerU, набравший 84,093 звёзд. Преобразует сложные документы, такие как PDF и документы Office, в markdown/JSON, готовые для LLM, для ваших Agentic рабочих процессов.

2

Какие языки программирования чаще всего используются в репозиториях по теме #document-analysis?

Среди наиболее высоко оценённых проектов по теме #document-analysis на GitHub чаще всего используются языки программирования Python, JavaScript, Java, C#.

3

Как рассчитывается рейтинг репозиториев по теме #document-analysis?

Мы отслеживаем 33 активных репозиториев с открытым исходным кодом, отмеченных тегом #document-analysis (500 и более звёзд), с общим числом 134,538 звёзд и в среднем 4,076 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.