Git Stars Git Stars

#text-extraction 仓库

探索 27 个标记为 #text-extraction 的活跃开源 GitHub 仓库,它们累计获得 101,655 个 Star(平均每个项目 3,765 个)。该主题的领先项目是 firecrawl/pdf-inspector,拥有 20,082 个 Star。

27
仓库总数
101,655
总星标数
3,765
平均每个仓库星标数
1
firecrawl/pdf-inspector

快速的 Rust PDF 检查、分类和文本提取库。智能检测扫描 PDF 与基于文本的 PDF,以实现智能路由决策。

firecrawl
⭐ 20,082 Rust 👤 firecrawl Organization 🕐 已更新 2026-11-20 📅 创建时间 2026-02-06
2
allenai/olmocr

用于LLM数据集/训练的PDF线性化工具包

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 已更新 2026-03-25 📅 创建时间 2024-09-17
3
run-llama/liteparse

一个快速、有帮助的开源文档解析器

run-llama
⭐ 13,074 Rust 👤 run-llama Organization 🕐 已更新 2026-11-20 📅 创建时间 2026-02-09
4
xberg-io/xberg

适用于所有语言的快速、精准文档智能引擎:从 100 多种格式中提取文本、表格和元数据,并提供 OCR、转录和代码智能。

xberg-io
⭐ 9,606 Rust 👤 xberg-io Organization 🕐 已更新 2026-11-21 📅 创建时间 2025-01-31
5
adbar/trafilatura

Python 和命令行工具,用于从网络上收集文本和元数据:爬取、抓取、提取,以 CSV、JSON、HTML、MD、TXT、XML 输出

adbar
⭐ 7,157 Python 👤 adbar User 🕐 已更新 2026-11-20 📅 创建时间 2019-04-08
6
oomol-lab/pdf-craft

PDF craft 可以将 PDF 文件转换为各种其他格式。本项目将专注于处理扫描书籍的 PDF 文件。

oomol-lab
⭐ 6,787 Python 👤 oomol-lab Organization 🕐 已更新 2026-11-20 📅 创建时间 2025-02-12
7
miso-belica/sumy

用于自动摘要文本文档和 HTML 页面的模块。

miso-belica
⭐ 3,700 Python 👤 miso-belica User 🕐 已更新 2026-11-11 📅 创建时间 2013-02-20
8
unidoc/unipdf

用于创建和处理 PDF 文件的 Golang PDF 库(纯 Go)

unidoc
⭐ 3,137 Go 👤 unidoc Organization 🕐 已更新 2026-10-20 📅 创建时间 2019-05-16
9
schappim/macOCR

将屏幕上的任何文本复制到剪贴板。

schappim
⭐ 2,443 Swift 👤 schappim User 🕐 已更新 2026-09-04 📅 创建时间 2021-05-19
10
nguyenq/tess4j

Tesseract OCR API的Java JNA包装器

nguyenq
⭐ 1,755 Java 👤 nguyenq User 🕐 已更新 2026-11-07 📅 创建时间 2014-06-25
11
chrismattmann/tika-python

Tika-Python 是 Apache Tika™ REST 服务的 Python 绑定,它允许在 Python 社区中本地调用 Tika。

chrismattmann
⭐ 1,674 Python 👤 chrismattmann User 🕐 已更新 2026-11-10 📅 创建时间 2014-06-26
12
yfedoseev/pdf_oxide

Python 和 Rust 的最快 PDF 库。文本提取、图像提取、Markdown 转换、PDF 创建与编辑。平均 0.8ms,比行业领先者快 5 倍,3,830 个 PDF 100% 通过率。MIT/Apache-2.0。

yfedoseev
⭐ 1,205 Rust 👤 yfedoseev User 🕐 已更新 2026-11-21 📅 创建时间 2025-11-05
13
m417z/Textify

一个Windows工具,用于从否则不允许复制的对话框和控件中复制文本

m417z
⭐ 1,122 C++ 👤 m417z User 🕐 已更新 2026-04-13 📅 创建时间 2018-03-04
14
Lulzx/zpdf

用 Zig 编写的零拷贝 PDF 文本提取库。通过 SIMD 加速实现高性能、内存映射解析。

Lulzx
⭐ 925 Zig 👤 Lulzx User 🕐 已更新 2026-08-13 📅 创建时间 2025-12-30
⭐ 900 👤 golangboy User 🕐 已更新 2025-03-25 📅 创建时间 2025-03-24
16
yigitkonur/api-llm-ocr

使用视觉大型语言模型将 PDF 转换为 Markdown——表格、布局和结构保持不变

yigitkonur
⭐ 900 Python 👤 yigitkonur User 🕐 已更新 2026-02-21 📅 创建时间 2024-09-22
17
xberg-io/html-to-markdown

将杂乱的真实世界 HTML 转换为整洁的 Markdown,支持所有主流语言。

xberg-io
⭐ 889 HTML 👤 xberg-io Organization 🕐 已更新 2026-11-21 📅 创建时间 2025-02-03
18
miso-belica/jusText

基于启发式的样板代码移除工具

miso-belica
⭐ 832 Python 👤 miso-belica User 🕐 已更新 2026-10-21 📅 创建时间 2013-02-10
19
ICIJ/datashare

文档的自托管搜索引擎

ICIJ
⭐ 783 Java 👤 ICIJ Organization 🕐 已更新 2026-11-20 📅 创建时间 2016-04-20
20
Doriandarko/RepoToTextForLLMs

使用 RepoToTextForLLMs 自动分析 LLM 的 GitHub 存储库。高效获取 README、结构和非二进制文件。输出包括分析提示,以帮助进行全面的存储库评估。

Doriandarko
⭐ 779 Python 👤 Doriandarko User 🕐 已更新 2024-05-21 📅 创建时间 2024-03-11
21
raghavan/PdfGptIndexer

基于RAG的工具,使用OpenAI API和FAISS(Facebook AI Similarity Search)索引对PDF文本数据进行索引和搜索,专为快速信息检索和卓越的搜索准确性而设计。

raghavan
⭐ 677 Python 👤 raghavan User 🕐 已更新 2025-11-02 📅 创建时间 2023-07-07
22
auto-i18n/auto-i18n-translation-plugins

前端自动翻译。支持有道/谷歌/百度/自定义翻译器。兼容 webpack/vite/rollup/rsbuild,适配所有编译成JS的框架,支持插值,命名空间等,帮助你一键翻译项目。

auto-i18n
⭐ 611 Vue 👤 auto-i18n Organization 🕐 已更新 2026-02-01 📅 创建时间 2023-09-04
23
jrmuizel/pdf-extract

一个用于从 PDF 中提取内容的 Rust 库

jrmuizel
⭐ 604 Rust 👤 jrmuizel User 🕐 已更新 2026-09-16 📅 创建时间 2017-02-01
24
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
25
ropensci/pdftools

PDF 文档的文本提取、渲染和转换

ropensci
⭐ 555 C++ 👤 ropensci Organization 🕐 已更新 2026-08-30 📅 创建时间 2016-02-23
26
cdown/srt

一个用于解析、修改和组合SRT文件的简单库和工具集。

cdown
⭐ 528 Python 👤 cdown User 🕐 已更新 2024-03-19 📅 创建时间 2014-12-28
27
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

常见问题解答

1

GitHub 上最受欢迎的 #text-extraction 仓库是什么?

GitHub 上排名第一的开源 #text-extraction 项目是 firecrawl/pdf-inspector,拥有 20,082 个 Star。快速的 Rust PDF 检查、分类和文本提取库。智能检测扫描 PDF 与基于文本的 PDF,以实现智能路由决策。

2

#text-extraction 仓库中最常使用的编程语言有哪些?

在 GitHub 上排名靠前的 #text-extraction 项目中,最常见的编程语言是 Python, Rust, Java, C++。

3

#text-extraction 仓库的排名是如何计算的?

我们跟踪了 27 个标记为 #text-extraction 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 101,655 个 Star,平均每个仓库拥有 3,765 个 Star。排名每日根据 GitHub API 更新。