pdf-extraction
本站收录 10 个带「pdf-extraction」标签的 AI 开源项目
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 ★ 29,752
xbergxberg 是一个多语言文档智能框架，核心用 Rust 编写，旨在解决文档解析碎片化问题。它能从 101 种格式（涵盖 115 种文件扩展名）中提取文本、元数据★ 9,430
unstractunstract 是一个基于大语言模型（LLM）的智能数据提取平台，专门用于从非结构化文档（如 PDF、图片、扫描件）中自动抽取结构化数据，并以 JSON 格式★ 7,296
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★ 1,138
ExtractPDF4JExtractPDF4J 是一个用 Java 编写的 PDF 表格提取与 OCR 库，主要解决从 PDF 中稳定抽取结构化表格数据的问题。它同时支持文本型 PD★ 519
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★ 266
pdf-narratorpdf-narrator 是一个将 PDF 和 EPUB 文档转换为有声书的开源工具，专为低资源系统设计。它解决了传统文档转音频过程中文本提取不准确、处理速度慢★ 213
pdf-to-markdownpdf-to-markdown 是一个将 PDF 文件转换为干净、结构化 Markdown 的 Python 工具。它解决了从 PDF 中提取文本时格式混乱、难★ 212
cjkfoldcjkfold 是一个 Python 文本规范化工具，专门解决从 PDF 提取中日韩文本时出现的「形似字不匹配」问题。PDF 中的汉字常因字体或编码原因被提取成★ 203
pdf-mcppdf-mcp 是一个基于 MCP 协议的服务器，旨在让 Claude Code 等 AI 代理高效处理大型 PDF 文件及整个文件夹，避免上下文溢出。它通过混★ 154