Git Stars Git Stars

#document-analysis 仓库

探索 33 个标记为 #document-analysis 的活跃开源 GitHub 仓库,它们累计获得 134,538 个 Star(平均每个项目 4,076 个)。该主题的领先项目是 opendatalab/MinerU,拥有 84,093 个 Star。

33
仓库总数
134,538
总星标数
4,076
平均每个仓库星标数
1
opendatalab/MinerU

将复杂的文档如 PDF 和 Office 文档转换为 LLM 就绪的 markdown/JSON,用于您的 Agentic 工作流。

opendatalab
⭐ 84,093 Python 👤 opendatalab Organization 🕐 已更新 2026-11-20 📅 创建时间 2024-02-29
2
bytedance/Dolphin

“Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting” 的官方仓库,ACL, 2025。

bytedance
⭐ 9,065 Python 👤 bytedance Organization 🕐 已更新 2026-03-25 📅 创建时间 2025-05-13
3
ucbepic/docetl

一种用于 agentic LLM 驱动的数据处理和 ETL 的系统

ucbepic
⭐ 4,266 Python 👤 ucbepic Organization 🕐 已更新 2026-11-17 📅 创建时间 2024-07-09
4
camelot-dev/camelot

一个用于从PDF中提取表格数据的Python库

camelot-dev
⭐ 3,858 Python 👤 camelot-dev Organization 🕐 已更新 2026-11-21 📅 创建时间 2019-07-01
5
echohive42/AI-reads-books-page-by-page

AI阅读书籍:逐页PDF知识提取器与摘要器。该脚本对PDF书籍进行智能的逐页分析,有条不紊地提取知识点,并在指定的时间间隔内生成渐进式摘要。

echohive42
⭐ 3,453 Python 👤 echohive42 User 🕐 已更新 2026-10-30 📅 创建时间 2024-12-28
6
kba/awesome-ocr

指向出色 OCR 项目的链接

kba
⭐ 3,074 👤 kba User 🕐 已更新 2024-07-06 📅 创建时间 2016-04-27
7
UglyToad/PdfPig

在 C# 中从 PDF 中读取和提取文本及其他内容 (PDFBox 的移植)

UglyToad
⭐ 2,626 C# 👤 UglyToad Organization 🕐 已更新 2026-11-10 📅 创建时间 2017-11-09
8
DanBloomberg/leptonica

Leptonica 是一个开源库,包含广泛用于图像处理和图像分析应用程序的软件。Leptonica 的官方 GitHub 存储库是:danbloomberg/leptonica。更多文档请参阅 leptonica.org。

DanBloomberg
⭐ 2,107 C 👤 DanBloomberg User 🕐 已更新 2026-11-20 📅 创建时间 2016-01-13
9
NanoNets/docext

一个本地部署、无 OCR 的非结构化数据提取、Markdown 转换和基准测试工具包。(https://idp-leaderboard.org/)

NanoNets
⭐ 2,086 Python 👤 NanoNets Organization 🕐 已更新 2026-03-17 📅 创建时间 2025-03-25
10
AlibabaResearch/AdvancedLiterateMachinery

面向高级文学机器的原创、创新理念和算法合集。该项目由阿里云言技术实验室同义实验室 OCR 团队维护。

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 已更新 2026-03-17 📅 创建时间 2022-09-28
11
Topdu/OpenOCR

OpenOCR:一款面向通用 OCR 研究与应用的开源工具包,整合了统一的训练与评估基准、商业级 OCR 与文档解析系统,以及来自广泛学术论文的核心实现的忠实再现。

Topdu
⭐ 1,498 Python 👤 Topdu User 🕐 已更新 2026-09-21 📅 创建时间 2024-05-31
12
DocumindHQ/documind

一个用于使用人工智能从文档中提取结构化数据的开源平台。

DocumindHQ
⭐ 1,475 JavaScript 👤 DocumindHQ Organization 🕐 已更新 2025-05-15 📅 创建时间 2024-11-17
13
nishiwen1214/ChatReviewer

ChatReviewer: 使用ChatGPT分析论文优缺点,提出改进建议

nishiwen1214
⭐ 1,366 Python 👤 nishiwen1214 User 🕐 已更新 2024-11-22 📅 创建时间 2023-03-18
14
Calamari-OCR/calamari

基于 OCRopy 的基于行的 ATR 引擎

Calamari-OCR
⭐ 1,204 Python 👤 Calamari-OCR Organization 🕐 已更新 2026-06-23 📅 创建时间 2018-03-20
15
Mingtzge/2019-CCF-BDCI-OCR-MCZJ-OCR-IdentificationIDElement

2019CCF-BDCI大赛 最佳创新探索奖获得者 基于OCR身份证要素提取赛题冠军 天晨破晓团队 赛题源码

Mingtzge
⭐ 899 Python 👤 Mingtzge User 🕐 已更新 2024-07-25 📅 创建时间 2019-12-30
16
freelawproject/x-ray

一个检测PDF是否存在不良密文处理的工具

freelawproject
⭐ 837 Python 👤 freelawproject Organization 🕐 已更新 2026-11-20 📅 创建时间 2020-12-17
17
datalab-to/pdftext

快速从PDF中提取结构化文本

datalab-to
⭐ 744 Python 👤 datalab-to Organization 🕐 已更新 2026-10-22 📅 创建时间 2024-04-24
18
ispras/dedoc

Dedoc 是一个用于自动化文档解析并统一格式的库(服务)。它可自动从文本电子文档中提取内容、逻辑结构、表格和元信息。(解析文档;文档内容提取;逻辑结构提取;PDF 解析器;扫描文档解析器;DOCX 解析器;HTML 解析器)

ispras
⭐ 739 Python 👤 ispras Organization 🕐 已更新 2026-11-09 📅 创建时间 2020-12-07
19
OCR4all/OCR4all

通过网络应用程序提供 OCR(光学字符识别)服务

OCR4all
⭐ 713 Java 👤 OCR4all Organization 🕐 已更新 2026-09-14 📅 创建时间 2019-01-23
20
allenai/pdffigures2

给定一个学术PDF,提取图表、表格、说明文字和章节标题。

allenai
⭐ 712 Scala 👤 allenai Organization 🕐 已更新 2024-03-10 📅 创建时间 2016-05-09
22
ndl-lab/ndlocr_cli

NDLOCR 应用程序的存储库(包括源代码)

ndl-lab
⭐ 686 Python 👤 ndl-lab Organization 🕐 已更新 2026-01-05 📅 创建时间 2022-03-30
23
allenai/science-parse

Science Parse 解析科学论文(PDF 格式)并以结构化形式返回它们。

allenai
⭐ 686 Java 👤 allenai Organization 🕐 已更新 2024-05-26 📅 创建时间 2015-08-19
24
0xabu/pdfannots

从 PDF 文件中提取并格式化文本注释

0xabu
⭐ 676 Python 👤 0xabu User 🕐 已更新 2026-11-12 📅 创建时间 2017-01-28
25
Alibaba-NLP/ViDoRAG

[EMNLP 2025] ViDoRAG: 通过动态迭代推理代理实现的视觉文档检索增强生成

Alibaba-NLP
⭐ 670 Python 👤 Alibaba-NLP Organization 🕐 已更新 2026-01-11 📅 创建时间 2025-02-25
26
opendatalab/MinerU-Diffusion

[ECCV 2026] 一种基于扩散的文档OCR框架,用块级并行扩散解码替代自回归解码。

opendatalab
⭐ 624 Python 👤 opendatalab Organization 🕐 已更新 2026-06-18 📅 创建时间 2026-03-13
27
maxandrews/Epstein-doc-explorer

爱泼斯坦邮件的图探索器

maxandrews
⭐ 598 JavaScript 👤 maxandrews User 🕐 已更新 2025-11-20 📅 创建时间 2025-11-14
28
CybercentreCanada/assemblyline

Assemblyline 4:文件初筛与恶意软件分析

CybercentreCanada
⭐ 572 Python 👤 CybercentreCanada Organization 🕐 已更新 2026-11-20 📅 创建时间 2020-12-03
29
wenwenyu/PICK-pytorch

论文“PICK: 利用改进的图学习-卷积网络从文档中提取关键信息”(ICPR 2020)的代码

wenwenyu
⭐ 570 Python 👤 wenwenyu User 🕐 已更新 2024-07-25 📅 创建时间 2020-07-15
30
leedrake5/unredact

一个简单的工具,用于阅读被删减不充分的文档并重现其原始形式。

leedrake5
⭐ 565 Python 👤 leedrake5 User 🕐 已更新 2026-01-06 📅 创建时间 2025-12-23
32
JoshData/pdf-diff

一个用 Python 编写的 PDF 比较工具。

JoshData
⭐ 527 Python 👤 JoshData User 🕐 已更新 2026-02-08 📅 创建时间 2014-06-09
33
awslabs/handwritten-text-recognition-for-apache-mxnet

此仓库允许您使用 Apache MXNet 深度学习框架在 IAM 数据集上训练神经网络模型,以执行端到端的全页手写识别。

awslabs
⭐ 526 Jupyter Notebook 👤 awslabs Organization 🕐 已更新 2026-02-05 📅 创建时间 2019-02-26

常见问题解答

1

GitHub 上最受欢迎的 #document-analysis 仓库是什么?

GitHub 上排名第一的开源 #document-analysis 项目是 opendatalab/MinerU,拥有 84,093 个 Star。将复杂的文档如 PDF 和 Office 文档转换为 LLM 就绪的 markdown/JSON,用于您的 Agentic 工作流。

2

#document-analysis 仓库中最常使用的编程语言有哪些?

在 GitHub 上排名靠前的 #document-analysis 项目中,最常见的编程语言是 Python, JavaScript, Java, C#。

3

#document-analysis 仓库的排名是如何计算的?

我们跟踪了 33 个标记为 #document-analysis 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 134,538 个 Star,平均每个仓库拥有 4,076 个 Star。排名每日根据 GitHub API 更新。