Git Stars Git Stars

#document-parsing 仓库

探索 42 个标记为 #document-parsing 的活跃开源 GitHub 仓库,它们累计获得 356,240 个 Star(平均每个项目 8,481 个)。该主题的领先项目是 PaddlePaddle/PaddleOCR,拥有 92,972 个 Star。

42
仓库总数
356,240
总星标数
8,481
平均每个仓库星标数
1
PaddlePaddle/PaddleOCR

将任何PDF或图像文档转换为AI所需的结构化数据。一个功能强大、轻量级的OCR工具包,弥合了图像/PDF与LLM之间的鸿沟。支持100多种语言。

PaddlePaddle
⭐ 92,972 Python 👤 PaddlePaddle Organization 🕐 已更新 2026-09-16 📅 创建时间 2020-05-08
2
docling-project/docling

为生成式AI准备好您的文档

docling-project
⭐ 70,843 Python 👤 docling-project Organization 🕐 已更新 2026-11-21 📅 创建时间 2024-07-09
3
datalab-to/marker

快速高精度地将 PDF 转换为 markdown + JSON

datalab-to
⭐ 41,010 Python 👤 datalab-to Organization 🕐 已更新 2026-11-20 📅 创建时间 2023-10-30
4
opendataloader-project/opendataloader-pdf

AI-ready 数据 PDF 解析器。自动化 PDF 可访问性。开源。

opendataloader-project
⭐ 30,355 Java 👤 opendataloader-project Organization 🕐 已更新 2026-11-20 📅 创建时间 2025-05-13
5
Unstructured-IO/unstructured

轻松将文档转换为结构化数据。Unstructured 是一个开源 ETL 解决方案,用于将复杂文档转换为适用于语言模型的干净、结构化格式。请访问我们的网站,了解更多关于我们用于生产级工作流、分区、丰富、分块和嵌入的企业级平台产品的信息。

Unstructured-IO
⭐ 15,769 HTML 👤 Unstructured-IO Organization 🕐 已更新 2026-11-19 📅 创建时间 2022-09-26
6
netease-youdao/QAnything

基于任何内容的问答。

netease-youdao
⭐ 14,210 Python 👤 netease-youdao User 🕐 已更新 2026-09-23 📅 创建时间 2024-01-03
7
datalab-to/chandra

能够处理具有完整布局的复杂表格、表单和手写体的OCR模型。

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 已更新 2026-11-16 📅 创建时间 2025-10-08
8
facebookresearch/nougat

面向学术文档的 Nougat 神经网络光学理解实现

facebookresearch
⭐ 9,997 Python 👤 facebookresearch Organization 🕐 已更新 2025-02-21 📅 创建时间 2023-06-07
9
studio-dots-ai/dots.ocr

单一视觉语言模型中的多语言文档布局解析

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 已更新 2026-03-24 📅 创建时间 2025-07-30
10
Yuliang-Liu/MonkeyOCR

一个轻量级的基于LMM的文档解析模型

Yuliang-Liu
⭐ 6,653 Python 👤 Yuliang-Liu User 🕐 已更新 2026-11-17 📅 创建时间 2025-06-03
11
mindee/doctr

docTR (文档文本识别) - 一个由深度学习驱动的、无缝、高性能且易于使用的 OCR 相关任务库。由 t2k 持续开发和维护。

mindee
⭐ 6,433 Python 👤 mindee Organization 🕐 已更新 2026-11-19 📅 创建时间 2021-01-08
12
run-llama/llama_cloud_services

云中的知识代理与管理

run-llama
⭐ 4,273 TypeScript 👤 run-llama Organization 🕐 已更新 2026-11-08 📅 创建时间 2024-01-31
13
NVIDIA/NeMo-Retriever

NeMo Retriever Library 是一款可扩展且注重性能的文档内容和元数据提取微服务。NeMo Retriever Library 使用专业的 NVIDIA NIM 微服务来查找、情境化并提取文本、表格、图表和图像,供您在下游生成式应用程序中使用。

NVIDIA
⭐ 3,014 Python 👤 NVIDIA Organization 🕐 已更新 2026-11-21 📅 创建时间 2024-08-22
14
chatdoc-com/OCRFlux

OCRFlux 是一个轻量级但功能强大的多模态工具包,可显著提升 PDF 到 Markdown 的转换能力,在处理复杂布局、解析棘手表格和跨页面内容合并方面表现出色。

chatdoc-com
⭐ 2,532 Python 👤 chatdoc-com Organization 🕐 已更新 2026-04-14 📅 创建时间 2025-06-04
15
Nutlope/llama-ocr

使用 Llama 3.2 vision 的文档到 Markdown OCR 库

Nutlope
⭐ 2,445 TypeScript 👤 Nutlope User 🕐 已更新 2026-07-12 📅 创建时间 2024-11-12
16
landing-ai/ade-cli

LandingAI 推出的 Agentic Document Extraction (ADE) 官方命令行工具 (CLI) — 可在终端解析文档并提取符合模式的数据

landing-ai
⭐ 2,427 Python 👤 landing-ai Organization 🕐 已更新 2026-10-30 📅 创建时间 2025-03-12
18
dnGrep/dnGrep

Windows图形GREP工具

dnGrep
⭐ 2,246 C# 👤 dnGrep Organization 🕐 已更新 2026-11-20 📅 创建时间 2014-10-09
19
opendatalab/OmniDocBench

[CVPR 2025] 文档解析与评估的综合基准

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 已更新 2026-11-12 📅 创建时间 2024-10-14
20
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5:让轻量级OCR视觉语言模型更快更好

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 已更新 2026-09-24 📅 创建时间 2025-11-18
21
datalab-to/indra

100万参数的 OCR 模型——可在 CPU 上运行,速度比 Tesseract 快 15 倍,准确率接近拥有 10 亿以上参数的模型

datalab-to
⭐ 1,910 Python 👤 datalab-to Organization 🕐 已更新 2026-11-04 📅 创建时间 2026-10-13
22
enoch3712/ExtractThinker

ExtractThinker 是一个面向 LLM 的文档智能库,提供 ORM 风格的交互,用于灵活强大的文档工作流。

enoch3712
⭐ 1,606 Python 👤 enoch3712 User 🕐 已更新 2026-09-16 📅 创建时间 2024-02-01
23
NanoNets/docstrange

利用智能结构化数据提取和高级OCR功能,将任何文档、图片、PDF、Word文档、PPT或URL中的数据提取并转换为多种格式(Markdown、JSON、CSV、HTML)。

NanoNets
⭐ 1,578 Python 👤 NanoNets Organization 🕐 已更新 2025-10-31 📅 创建时间 2025-07-31
24
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
25
zstar1003/ragflow-plus

Ragflow-Plus 是 Ragflow 的二次开发版本,使其更为简洁实用

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 已更新 2026-11-18 📅 创建时间 2025-03-24
27
nlmatics/nlm-ingestor

此仓库提供llmsherpa API的服务器端代码以供连接。它包含各种文件格式的解析器。

nlmatics
⭐ 1,282 Python 👤 nlmatics Organization 🕐 已更新 2025-03-28 📅 创建时间 2024-01-17
28
laramies/metagoofil

元数据采集器

laramies
⭐ 1,201 Python 👤 laramies User 🕐 已更新 2024-03-21 📅 创建时间 2015-08-13
29
aiptimizer/TurboOCR

TurboOCR,>200 img/s OmnidocBench。TensorRT FP16,PP-OCRv6,HTTP + gRPC

aiptimizer
⭐ 1,162 C++ 👤 aiptimizer Organization 🕐 已更新 2026-09-27 📅 创建时间 2026-03-20
30
allenai/s2orc

S2ORC:Semantic Scholar 开放研究语料库: https://www.aclweb.org/anthology/2020.acl-main.447/

allenai
⭐ 996 Python 👤 allenai Organization 🕐 已更新 2024-04-26 📅 创建时间 2019-11-04
31
flyhunterl/flymd

高性能Markdown笔记工具!免费AI,智能便签、TODO推送、本地知识库、AI小说引擎。PDF解析、自动语音笔记、录音转文本。毫秒级启动。

flyhunterl
⭐ 900 JavaScript 👤 flyhunterl User 🕐 已更新 2026-07-22 📅 创建时间 2025-10-24
32
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
33
deep-diver/paper-reviewer

从一篇arXiv论文生成一份全面的综述,然后将其变成一篇博客文章。该项目为HuggingFace的每日论文(https://huggingface.co/papers)的以下网站提供支持。

deep-diver
⭐ 834 Python 👤 deep-diver User 🕐 已更新 2025-02-20 📅 创建时间 2024-10-21
34
FengZhenfei/carrel

面向 AI 智能体的本体增强生成。

FengZhenfei
⭐ 808 Python 👤 FengZhenfei User 🕐 已更新 2026-11-17 📅 创建时间 2026-09-28
36
Steven-Luo/MasteringRAG

企业级RAG系统从入门到精通

Steven-Luo
⭐ 699 Jupyter Notebook 👤 Steven-Luo User 🕐 已更新 2025-06-25 📅 创建时间 2024-07-16
37
ggozad/haiku.rag

用于本地和自托管文档搜索的智能体式 RAG:基于嵌入式 LanceDB 的混合检索、重排序和多模态 RAG,配合 Docling 解析和 MCP 服务器

ggozad
⭐ 665 Python 👤 ggozad User 🕐 已更新 2026-11-20 📅 创建时间 2024-10-13
38
run-llama/ParseBench

ParseBench - 面向AI代理的文档解析基准

run-llama
⭐ 650 Python 👤 run-llama Organization 🕐 已更新 2026-11-21 📅 创建时间 2026-04-10
39
skygazer42/MimirQ

中文优先的企业 RAG 知识库:可控解析、治理、切块、混合检索、重排、引用、图谱、评测与 Dify 接入。

skygazer42
⭐ 613 Python 👤 skygazer42 User 🕐 已更新 2026-11-21 📅 创建时间 2025-11-28
40
ankushshah89/python-docx2txt

一个纯 Python 基于的实用工具,用于从 docx 文件中提取文本和图像。

ankushshah89
⭐ 584 Python 👤 ankushshah89 User 🕐 已更新 2025-03-24 📅 创建时间 2015-10-28
41
fufankeji/DeepSeek-OCR-Web

开箱即用的DeepSeek OCR文档解析Web Studio

fufankeji
⭐ 568 TypeScript 👤 fufankeji User 🕐 已更新 2025-10-27 📅 创建时间 2025-10-23
42
LeDat98/NexusRAG

混合式 RAG 系统,结合向量搜索、知识图谱(LightRAG)和跨编码器重排序,并支持 Docling 文档解析、视觉智能(图像/表格字幕生成)、智能体流式聊天和行内引用。由 Gemini 或本地 Ollama 模型驱动。

LeDat98
⭐ 533 Python 👤 LeDat98 User 🕐 已更新 2026-04-20 📅 创建时间 2026-03-15

常见问题解答

1

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

GitHub 上排名第一的开源 #document-parsing 项目是 PaddlePaddle/PaddleOCR,拥有 92,972 个 Star。将任何PDF或图像文档转换为AI所需的结构化数据。一个功能强大、轻量级的OCR工具包,弥合了图像/PDF与LLM之间的鸿沟。支持100多种语言。

2

#document-parsing 仓库中最常使用的编程语言有哪些?

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

3

#document-parsing 仓库的排名是如何计算的?

我们跟踪了 42 个标记为 #document-parsing 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 356,240 个 Star,平均每个仓库拥有 8,481 个 Star。排名每日根据 GitHub API 更新。