text-extraction
本站收录 16 个带「text-extraction」标签的 AI 开源项目
liteparseliteparse 是一个用 Rust 编写的高性能开源文档解析器,专注于从 PDF、扫描件和图片中快速提取文本与结构化数据。它解决了传统 OCR 工具速度慢、★ 13,044
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★ 9,589
trafilaturaTrafilatura 是一个用 Python 编写的网页文本与元数据抓取工具,同时提供命令行接口。它解决的核心问题是:从杂乱无章的 HTML 页面中精准提取正★ 7,130
pdf-craftpdf-craft 是一个专注于将扫描版 PDF 书籍转换为其他格式的开源工具。它利用 deepseek-ocr 等 OCR 技术,解决扫描 PDF 中文字无法★ 6,722
pdf_oxidepdf_oxide 是一个用 Rust 编写的高性能 PDF 处理库,提供 Python 和 Rust 双语言接口。它解决了现有 PDF 库处理速度慢、内存占用★ 1,191
html-to-markdownhtml-to-markdown 是一个高性能且符合 CommonMark 规范的 HTML 转 Markdown 转换器,由 Kreuzberg 团队维护。它★ 887
pd3fpd3f 是一个面向 PDF 文本抽取的 Python 工具,目标是解决普通 PDF 转文本后段落断裂、连字符残留、页眉页脚混入正文、脚注与正文粘连等排版噪声问★ 336
MinerU-HTMLMinerU-HTML 是一个基于小型语言模型(SLM)的 HTML 主内容提取工具,能够从杂乱网页中提取干净的 HTML 正文。它解决的是网页内容解析中常见的★ 302
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★ 216
oxidizePdfoxidizePdf 是一个用纯 Rust 编写的 PDF 处理库,专为 AI 和 RAG 场景设计。它解决了 PDF 在检索增强生成中文本提取结构混乱、分块不★ 193
pdfparserpdfparser 是一个用 PHP 从零实现的 PDF 解析库,目标是在不依赖外部二进制工具的前提下,读取 PDF 并抽取文本、Markdown 与图片。它解★ 189
office_oxideoffice_oxide 是一个用 Rust 编写的高性能 Office 文档处理库,提供 Python、Rust、Go、JS/TS、C# 和 WASM 多语言★ 169
ppu-paddle-ocrppu-paddle-ocr 是一个用 TypeScript 重写的 PaddleOCR 轻量级 SDK,目标是在任何能运行 JavaScript 的环境里做多★ 150
docwireDocWire SDK 是一个基于 C++20 的本地优先文档数据处理框架,主打确定性、可审计、可私有化部署的工作流。它解决的是企业或开发者在处理大量异构文档时★ 119
dart-pdfdart-pdf 是一个用 Dart 编写的本地 PDF 编辑器与引擎项目,覆盖 Android、iPhone、iPad、Mac、Windows、Linux 和★ 102
aiwhispereraiwhisperer 是一个面向 AI 对话场景的 PDF 预处理工具,主要解决大文件超出模型上传限制以及敏感数据泄露风险两大问题。它通过压缩 PDF 体积,★ 58