text-extraction

Pustaka Rust cepat untuk inspeksi, klasifikasi, dan ekstraksi teks PDF. Mendeteksi PDF hasil pindai vs berbasis teks secara cerdas untuk memungkinkan keputusan perutean yang cerdas.

Pengurai dokumen yang cepat, bermanfaat, dan sumber terbuka

Framework kecerdasan dokumen poliglot dengan inti Rust. Ekstrak teks, metadata, gambar, dan data terstruktur dari 101 format (115 ekstensi file) ditambah kecerdasan kode untuk 371 bahasa pemrograman. 15 binding bahasa — Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, TypeScript — ditambah CLI, REST API, dan server MCP.

Alat Python & baris perintah untuk mengumpulkan teks dan metadata di Web: Crawling, scraping, ekstraksi, output sebagai CSV, JSON, HTML, MD, TXT, XML

Modul untuk peringkasan otomatis dokumen teks dan halaman HTML.

Pustaka PDF Golang untuk membuat dan memproses file PDF (pure go).

Tika-Python adalah binding Python ke layanan REST Apache Tika™ yang memungkinkan Tika dipanggil secara native di komunitas Python.

Pustaka PDF tercepat untuk Python dan Rust. Ekstraksi teks, ekstraksi gambar, konversi markdown, pembuatan & pengeditan PDF. Rata-rata 0,8ms, 5x lebih cepat dari pemimpin industri, tingkat keberhasilan 100% pada 3.830 PDF. MIT/Apache-2.0.

Pustaka ekstraksi teks PDF zero-copy yang ditulis dalam Zig. Penguraian memori-mapped berkinerja tinggi dengan akselerasi SIMD.

PDF ke markdown menggunakan vision LLMs — tabel, tata letak, dan struktur dipertahankan

Pengonversi HTML ke Markdown berkinerja tinggi dan kompatibel dengan CommonMark. Dipelihara oleh tim Kreuzberg. Kreuzberg adalah mesin intelijen dokumen multibahasa yang cepat dengan inti Rust. Alat ini mengekstrak data terstruktur dari 98+ format dokumen menggunakan parser streaming dan OCR bawaan.

Alat penghapusan boilerplate berbasis heuristik.

Mesin pencari mandiri untuk dokumen

Ekstraksi Teks, Render, dan Konversi Dokumen PDF

Pustaka sederhana dan sekumpulan alat untuk mengurai, memodifikasi, dan menyusun file SRT.