#document-parsing Репозитории
Откройте для себя 42 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #document-parsing, с общим числом 356,240 звёзд (в среднем 8,481 на проект). Лидером этой темы является PaddlePaddle/PaddleOCR, набравший 92,972 звёзд.
Всего репозиториев: 42
Превратите любой PDF или графический документ в структурированные данные для вашего ИИ. Мощный, легковесный набор инструментов OCR, который устраняет разрыв между изображениями/PDF и LLM. Поддерживает более 100 языков.
Парсер PDF для данных, готовых для ИИ. Автоматизируйте доступность PDF. Открытый исходный код.
Легко преобразуйте документы в структурированные данные. Unstructured — это ETL-решение с открытым исходным кодом для преобразования сложных документов в чистые, структурированные форматы для языковых моделей. Посетите наш веб-сайт, чтобы узнать больше о нашем продукте Platform корпоративного уровня для рабочих процессов производственного уровня, секционирования, обогащения, фрагментации и встраивания.
OCR-модель, обрабатывающая сложные таблицы, формы и рукописный ввод с полным сохранением макета.
Внедрение системы нейронного оптического понимания Nougat для академических документов
docTR (Document Text Recognition) — удобная, высокопроизводительная и доступная библиотека для задач OCR на основе глубокого обучения. Постоянная разработка и поддержка осуществляются t2k.
NeMo Retriever Library — это масштабируемый и высокопроизводительный микросервис для извлечения содержимого документов и метаданных. NeMo Retriever Library использует специализированные микросервисы NVIDIA NIM для поиска, контекстуализации и извлечения текста, таблиц, графиков и изображений, которые можно использовать в последующих генеративных приложениях.
OCRFlux — это легкий, но мощный мультимодальный набор инструментов, который значительно усовершенствует преобразование PDF в Markdown, превосходно справляется со сложными макетами, сложным разбором таблиц и объединением содержимого между страницами.
Библиотека OCR для преобразования документов в Markdown с помощью Llama 3.2 vision
Официальный CLI для Agentic Document Extraction (ADE) от LandingAI — анализируйте документы и извлекайте структурированные данные прямо из терминала
OCR-модель с 1 млн параметров — работает на CPU, в 15 раз быстрее Tesseract, точность близка к моделям с более чем 1 млрд параметров
ExtractThinker — это библиотека Document Intelligence для LLM, предлагающая взаимодействие в стиле ORM для гибких и мощных рабочих процессов с документами.
Извлекайте и преобразуйте данные из любых документов, изображений, PDF, документов Word, PPT или URL в несколько форматов (Markdown, JSON, CSV, HTML) с помощью интеллектуального извлечения структурированных данных и передового OCR.
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.
Ragflow-Plus — это версия Ragflow вторичной разработки, что делает ее более лаконичной и практичной
Этот репозиторий предоставляет серверный код для подключения к API llmsherpa. Он включает парсеры для различных форматов файлов.
S2ORC: Открытый корпус исследований Semantic Scholar: https://www.aclweb.org/anthology/2020.acl-main.447/
Мощный инструмент заметок Markdown! Бесплатный ИИ, умные заметки, напоминания TODO, локальная база знаний, движок AI-романов. Распознавание PDF, авто-нотка голосом, преобразование аудио в текст. Запуск за миллисекунды。
Создайте исчерпывающий обзор статьи arXiv, а затем преобразуйте его в пост для блога. Этот проект обеспечивает работу веб-сайта HuggingFace Daily Papers (https://huggingface.co/papers), указанного ниже.
Агентный RAG для локального и самостоятельно размещаемого поиска по документам: гибридный поиск, переранжирование и мультимодальный RAG на встроенной LanceDB, с разбором документов באמצעות Docling и MCP-сервером
Корпоративная база знаний RAG с приоритетом китайского языка: управляемый разбор, управление, разбиение на фрагменты, гибридный поиск, переранжирование, цитирование, графы знаний, оценка и интеграция с Dify.
Утилита на чистом Python для извлечения текста и изображений из файлов docx.
Гибридная RAG-система, объединяющая векторный поиск, граф знаний (LightRAG) и переранжирование с помощью кросс-энкодера, с поддержкой разбора документов через Docling, визуального интеллекта (создание подписей к изображениям и таблицам), агентского потокового чата и встроенных цитат. Работает на моделях Gemini или локальных моделях Ollama.
Часто задаваемые вопросы
Какой репозиторий по теме #document-parsing наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #document-parsing на GitHub — PaddlePaddle/PaddleOCR, набравший 92,972 звёзд. Превратите любой PDF или графический документ в структурированные данные для вашего ИИ. Мощный, легковесный набор инструментов OCR, который устраняет разрыв между изображениями/PDF и LLM. Поддерживает более 100 языков.
Какие языки программирования чаще всего используются в репозиториях по теме #document-parsing?
Среди наиболее высоко оценённых проектов по теме #document-parsing на GitHub чаще всего используются языки программирования Python, TypeScript, Java, HTML.
Как рассчитывается рейтинг репозиториев по теме #document-parsing?
Мы отслеживаем 42 активных репозиториев с открытым исходным кодом, отмеченных тегом #document-parsing (500 и более звёзд), с общим числом 356,240 звёзд и в среднем 8,481 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.