pdf-extraction

AI 向けデータのための PDF パーサー。PDF のアクセシビリティを自動化。オープンソース。

PDFの検査、分類、テキスト抽出のための高速なRustライブラリ。スキャンされたPDFとテキストベースのPDFをインテリジェントに検出し、スマートなルーティング決定を可能にする。

Rustコアを備えたポリグロットなドキュメントインテリジェンスフレームワーク。101のフォーマット（115のファイル拡張子）からテキスト、メタデータ、画像、構造化データを抽出し、さらに371のコード言語に対応するコードインテリジェンスを提供します。15の言語バインディング（Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, TypeScript）に加え、CLI、REST API、MCPサーバーも利用可能です。

LLM駆動による非構造化データの抽出 — APIデプロイメントおよびETLパイプラインワークフロー向けに構築

TurboOCR、>200 img/s OmnidocBench。TensorRT FP16、PP-OCRv6、HTTP + gRPC

PDFへの署名（単独または複数）、ページの整理、メタデータの編集、PDFの圧縮を行う無料のオープンソースWebソフトウェア

ターミナルで TradeRepublic を利用し、すべてのドキュメントをまとめてダウンロードする

MuPDF用のJavaScriptバインディング

Java PDF テーブル抽出・OCR ライブラリ。ストリーム、格子（OpenCV スタイルのグリッド検出）、ハイブリッド解析を使用して、テキストベースおよびスキャンされた PDF から構造化テーブルを抽出する。