Git Stars Git Stars

#text-extraction Репозитории

Откройте для себя 27 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #text-extraction, с общим числом 101,655 звёзд (в среднем 3,765 на проект). Лидером этой темы является firecrawl/pdf-inspector, набравший 20,082 звёзд.

27
Всего репозиториев
101,655
Всего звезд
3,765
Среднее количество звезд на репозиторий
Языки программирования: Python Rust Java C++ Go Swift Zig HTML

Всего репозиториев: 27

1
firecrawl/pdf-inspector

Быстрая библиотека Rust для инспекции, классификации и извлечения текста из PDF. Интеллектуально определяет отсканированные PDF по сравнению с текстовыми для принятия умных решений по маршрутизации.

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

Инструментарий для линеаризации PDF для наборов данных/обучения LLM

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

Быстрый, полезный и с открытым исходным кодом парсер документов

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

Быстрый и точный движок для анализа документов на любом языке: текст, таблицы и метаданные из более чем 100 форматов, а также OCR, транскрибация и анализ кода.

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

Инструмент Python и командной строки для сбора текста и метаданных в Интернете: Краулинг, скрейпинг, извлечение, вывод в формате CSV, JSON, HTML, MD, TXT, XML

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

PDF craft может конвертировать PDF-файлы в различные другие форматы. Этот проект будет сосредоточен на обработке PDF-файлов сканированных книг.

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

Модуль для автоматического суммирования текстовых документов и HTML-страниц.

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

Библиотека Golang PDF для создания и обработки файлов PDF (чистый Go)

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

Скопируйте любой текст на вашем экране в буфер обмена.

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

Java JNA обёртка для Tesseract OCR API

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

Tika-Python — это привязка Python к REST-сервисам Apache Tika™, позволяющая вызывать Tika нативно в сообществе Python.

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

Самая быстрая библиотека PDF для Python и Rust. Извлечение текста, извлечение изображений, конвертация в markdown, создание и редактирование PDF. Среднее время 0,8 мс, в 5 раз быстрее лидеров отрасли, 100% успешность на 3830 PDF. MIT/Apache-2.0.

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

Инструмент для Windows, позволяющий копировать текст из диалогов и элементов управления, которые иначе не позволяют это делать

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

Библиотека для извлечения текста из PDF без копирования, написанная на Zig. Высокопроизводительный, отображаемый в памяти парсинг с SIMD-ускорением.

Lulzx
⭐ 925 Zig 👤 Lulzx User 🕐 Обновлено 2026-08-13 📅 Создано 2025-12-30
15
golangboy/wxocr

ничего

golangboy
⭐ 900 👤 golangboy User 🕐 Обновлено 2025-03-25 📅 Создано 2025-03-24
16
yigitkonur/api-llm-ocr

PDF в markdown с использованием визуальных LLMs — таблицы, макеты и структура сохраняются

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

Преобразуйте неструктурированный HTML из реального мира в чистый Markdown на всех основных языках.

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

Инструмент удаления шаблонного кода на основе эвристики

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

Самостоятельно размещённый поисковый движок для документов

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

Автоматизируйте анализ репозиториев GitHub для LLM с помощью RepoToTextForLLMs. Эффективно извлекайте README, структуру и небинарные файлы. Результаты включают подсказки для анализа, помогающие в комплексной ​​оценке репозитория.

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

Инструмент на основе RAG для индексации и поиска текстовых данных PDF с использованием OpenAI API и индекса FAISS (Facebook AI Similarity Search), предназначенный для быстрого извлечения информации и превосходной точности поиска.

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

Автоматический перевод для фронтенда. Поддержка Youdao/Google/Baidu/пользовательских переводчиков. Совместимость с webpack/vite/rollup/rsbuild, адаптация ко всем фреймворкам, компилируемым в JS, поддержка интерполяции, пространств имен и других функций, помогая вам перевести проект одним кликом.

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

Библиотека Rust для извлечения содержимого из PDF

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 Обновлено 2026-09-16 📅 Создано 2017-02-01
24
ankushshah89/python-docx2txt

Утилита на чистом Python для извлечения текста и изображений из файлов docx.

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 Обновлено 2025-03-24 📅 Создано 2015-10-28
25
ropensci/pdftools

Извлечение текста, рендеринг и конвертирование документов PDF

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

Простая библиотека и набор инструментов для разбора, модификации и составления SRT-файлов.

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

Утилита для сравнения PDF-файлов на Python.

JoshData
⭐ 527 Python 👤 JoshData User 🕐 Обновлено 2026-02-08 📅 Создано 2014-06-09

Часто задаваемые вопросы

1

Какой репозиторий по теме #text-extraction наиболее популярен на GitHub?

Самый высоко оценённый проект с открытым исходным кодом по теме #text-extraction на GitHub — firecrawl/pdf-inspector, набравший 20,082 звёзд. Быстрая библиотека Rust для инспекции, классификации и извлечения текста из PDF. Интеллектуально определяет отсканированные PDF по сравнению с текстовыми для принятия умных решений по маршрутизации.

2

Какие языки программирования чаще всего используются в репозиториях по теме #text-extraction?

Среди наиболее высоко оценённых проектов по теме #text-extraction на GitHub чаще всего используются языки программирования Python, Rust, Java, C++.

3

Как рассчитывается рейтинг репозиториев по теме #text-extraction?

Мы отслеживаем 27 активных репозиториев с открытым исходным кодом, отмеченных тегом #text-extraction (500 и более звёзд), с общим числом 101,655 звёзд и в среднем 3,765 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.