extract-data

PDFやOfficeドキュメントなどの複雑な文書を、エージェンティックワークフロー用のLLM対応のmarkdown/JSONに変換します。

PyMuPDFは、PDF（およびその他の）ドキュメントのデータ抽出、分析、変換、操作のための高性能なPythonライブラリです。

NodeJS用のWebクローラー/スパイダー + サーバーサイドjQuery ;-)

Meltano: データおよび ML 駆動型の製品アイデアを実現する、宣言型のコードファーストデータ統合エンジン。API 統合の記述、保守、スケーリングの手間から解放されます。

AIを使用してドキュメントから構造化データを抽出するオープンソースプラットフォーム

Elixir向けのハイレベルなウェブクローラー＆スクレイピングフレームワーク

[ECCV 2026] 自己回帰デコーディングをブロック単位の並列拡散デコーディングに置き換える、ドキュメントOCR用の拡散ベースのフレームワーク。