text-extraction

Bibliothèque Rust rapide pour l'inspection, la classification et l'extraction de texte PDF. Détecte intelligemment les PDF numérisés par rapport aux PDF textuels pour permettre des décisions de routage intelligentes.

Un analyseur de documents rapide, utile et open-source

Framework d'intelligence documentaire polyglotte avec un cœur en Rust. Extrait le texte, les métadonnées, les images et les données structurées de 101 formats (115 extensions de fichiers) avec une intelligence de code pour 371 langages. 15 bindings de langages — Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, TypeScript — ainsi qu'une CLI, une API REST et un serveur MCP.

Outil Python et en ligne de commande pour collecter du texte et des métadonnées sur le Web : crawling, scraping, extraction, avec sortie en CSV, JSON, HTML, MD, TXT, XML.

Module pour le résumé automatique de documents texte et de pages HTML.

Bibliothèque PDF en Golang pour créer et traiter des fichiers PDF (pur Go).

Tika-Python est une liaison Python pour les services REST Apache Tika™, permettant d'appeler Tika nativement au sein de la communauté Python.

La bibliothèque PDF la plus rapide pour Python et Rust. Extraction de texte et d'images, conversion markdown, création et édition de PDF. Moyenne de 0,8 ms, 5 fois plus rapide que les leaders du marché, 100 % de réussite sur 3 830 fichiers PDF. Licence MIT/Apache-2.0.

Bibliothèque d'extraction de texte PDF sans copie (zero-copy) écrite en Zig. Analyse haute performance par mappage mémoire avec accélération SIMD.

Conversion de PDF en Markdown via des LLM de vision — préservation des tableaux, de la mise en page et de la structure

Convertisseur HTML vers Markdown haute performance conforme à CommonMark. Maintenu par l'équipe Kreuzberg. Kreuzberg est un moteur d'intelligence documentaire polyglotte et rapide avec un cœur en Rust. Il extrait des données structurées à partir de plus de 98 formats de documents en utilisant des analyseurs de flux et l'OCR intégré.

Outil de suppression de code répétitif basé sur des heuristiques

Moteur de recherche auto-hébergé pour documents

Extraction, rendu et conversion de documents PDF.

Une bibliothèque et un ensemble d'outils simples pour analyser, modifier et composer des fichiers SRT.