document-parsing
本站收录 23 个带「document-parsing」标签的 AI 开源项目
PaddleOCRPaddleOCR 是百度开源的 OCR 工具库,旨在将任意 PDF 或图片文档转化为结构化数据,供 AI 系统使用。它解决了图像和 PDF 中文字信息难以被机★ 92,710
opendataloader-pdfopendataloader-pdf 是一个专为 AI 数据准备而设计的 PDF 解析器,旨在将 PDF 文档自动转换为 AI 可读的结构化数据。它解决了传统 ★ 30,301
unstructuredUnstructured 是一个开源的 ETL 工具,专注于将复杂文档(如 PDF、Word、PPT、图片等)转换为干净、结构化的数据,以便直接用于大语言模型(★ 15,742
doctrdocTR 是一个基于深度学习的 OCR 库,专注于文档文本识别,由 t2k 团队持续维护。它解决了从文档图像中高效、准确地检测和识别文字的问题,提供了文本检测★ 6,432
indraindra 是一个仅约 100 万参数的超轻量 OCR 模型,主打在纯 CPU 环境运行,无需 GPU 即可完成文字识别。项目面向文档解析场景,可处理图片与 P★ 1,829
ExtractThinkerExtractThinker 是一个面向大语言模型的文档智能处理库,采用 ORM 风格的设计,让开发者能以类似数据库操作的方式灵活编排文档工作流。它解决了从复杂★ 1,606
docstrangedocstrange 是一个基于 Python 的文档数据提取与转换工具,旨在解决从多种文档格式(如 PDF、Word、PPT、图片及 URL)中高效提取结构化★ 1,586
OpenOCROpenOCR 是面向通用 OCR 研究与应用的统一开源工具箱,由国内团队维护。它把 OCR 训练、评测、推理整合到同一套框架中,既提供商业级精度的文字检测与识★ 1,497
TurboOCRTurboOCR 是一个基于 C++ 实现的高性能 OCR 服务,专为追求极致吞吐量的场景设计。它集成了百度飞桨的 PP-OCRv6 模型,并利用 Tensor★ 1,160
carrelcarrel 是一个面向 AI Agent 的「本体增强生成」(Ontology-Augmented Generation)工具,用 Python 实现。它要解★ 805
haiku.raghaiku.rag 是一个基于 LanceDB、Pydantic AI 和 Docling 构建的 agentic RAG(检索增强生成)框架,主打“有主见”(★ 660
ParseBenchParseBench 是一个面向 AI Agent 的文档解析基准测试工具,旨在解决 LLM 应用中文档解析能力难以量化评估的问题。它提供了一套标准化的评测流程★ 638
MimirQMimirQ 是一个面向中文企业场景的 RAG 知识库解决方案,核心解决企业文档解析难、检索不准、引用不可控的问题。它提供从文档解析、数据治理、智能切块到混合检★ 598
NexusRAGNexusRAG 是一个混合检索增强生成(RAG)系统,旨在解决传统向量检索在复杂查询中上下文缺失、答案不准确的问题。它结合了向量搜索、知识图谱(基于 Ligh★ 532
DeepSeek-OCR-WebUIDeepSeek-OCR-WebUI 是 DeepSeek-OCR-2 模型的自托管网页界面与 API 封装,解决 OCR 模型部署门槛高、缺少可视化操作和批量★ 447
docling-Studiodocling-Studio 是一个基于 Docling 的可视化文档分析工作台,面向需要处理 PDF 等复杂文档的开发者与数据团队。它把文档解析流水线搬到浏览★ 275
pagesiftpagesift 是一个用 Rust 编写的网页抓取与爬虫工具,面向 AI Agent 和 RAG 数据管道,把网页 URL、PDF 和 Office 文档转换★ 274
docslightDocSlight 是 ComPDF(KDAN 生态)开源的文档解析与信息抽取工具,目标是把 PDF、扫描件、图片以及 Office 文档统一转成结构化数据。它★ 138
Flamehaven-FilesearchFlamehaven-Filesearch 是一个自托管的 RAG 搜索引擎,旨在解决个人或团队在本地文件检索中面临的格式多样、语义理解不足和部署复杂等问题。它★ 109
DocSentinelDocSentinel 是一个面向网络安全领域的 MCP 服务器,专为 AI 智能体设计,用于自动化评估文档、问卷和报告。它解决安全团队在人工审阅合规文档时效率★ 90
ChurroChurro 是一个面向历史文献转录的 OCR 工具包,旨在以高精度和低成本让手写及印刷的历史资料变得可读。它基于 Python 构建,专门处理古籍、档案等复杂★ 88
Visual-ERMVisual-ERM 是一个用于视觉等价性奖励建模的开源项目,提供了论文《Visual-ERM: Reward Modeling for Visual Equi★ 68
papercastpapercast 是一个基于 Python 的管道工具和插件生态系统,用于将技术文档(如 arXiv 论文、SemanticScholar 条目或本地 PDF★ 53