#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。
共 42 个仓库
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。
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。
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。
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
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)。
S2ORC:Semantic Scholar 开放研究语料库: https://www.aclweb.org/anthology/2020.acl-main.447/
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。
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。
常见问题解答
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。
#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。
#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。