pdf-extraction

Analizador de PDF para datos listos para IA. Automatiza la accesibilidad de PDF. Código abierto.

Biblioteca rápida en Rust para la inspección, clasificación y extracción de texto de archivos PDF. Detecta de forma inteligente PDF escaneados frente a los basados en texto para permitir decisiones de enrutamiento inteligentes.

Un framework de inteligencia de documentos políglota con un núcleo en Rust. Extrae texto, metadatos, imágenes y datos estructurados de 101 formatos (115 extensiones de archivo) además de inteligencia de código para 371 lenguajes de programación. 15 enlaces de lenguajes — Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, TypeScript — además de CLI, API REST y servidor MCP.

Extracción de datos no estructurados impulsada por LLM — Diseñada para despliegues de API y flujos de trabajo de canalizaciones ETL

TurboOCR, >200 img/s en OmnidocBench. TensorRT FP16, PP-OCRv6, HTTP + gRPC

Software web gratuito y de código abierto para firmar archivos PDF (solo o con otros), además de organizar páginas, editar metadatos y comprimir archivos PDF.

Utiliza TradeRepublic en la terminal y descarga masivamente todos los documentos

Bindings de JavaScript para MuPDF

Biblioteca Java para extracción de tablas en PDF y OCR. Extrae tablas estructuradas de archivos PDF basados en texto y escaneados mediante análisis de flujo, de red (detección de cuadrícula estilo OpenCV) e híbrido.