text-extraction

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。

高速で役立つオープンソースのドキュメントパーサー

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。

Pythonおよびコマンドラインツール。Web上のテキストとメタデータを収集：クローリング、スクレイピング、抽出、CSV、JSON、HTML、MD、TXT、XMLとしての出力。

テキストドキュメントおよびHTMLページの自動要約モジュール。

PDFファイルの作成および処理を行うGolang製PDFライブラリ（純粋なGo製）

Tika-Python は Apache Tika™ REST サービスの Python バインディングであり、Python コミュニティからネイティブに Tika を呼び出すことができます。

PythonおよびRust向けの最速PDFライブラリ。テキスト抽出、画像抽出、Markdown変換、PDFの作成と編集。平均0.8ms、業界リーダーの5倍高速、3,830件のPDFで100%の合格率。MIT/Apache-2.0。

Zigで書かれたゼロコピーPDFテキスト抽出ライブラリ。SIMDアクセラレーションを備えた高性能なメモリマップパース。

ビジョン LLM を使用した PDF から Markdown への変換 — 表、レイアウト、構造を維持

高パフォーマンスで CommonMark 準拠の HTML から Markdown への変換ツール。Kreuzberg チームによって保守されています。Kreuzberg は、Rust コアを持つ高速な多言語ドキュメントインテリジェンスエンジンです。ストリーミングパーサーと組み込み OCR を使用して、98以上のドキュメントフォーマットから構造化データを抽出します。

ヒューリスティックベースのボイラープレート除去ツール

ドキュメント用のセルフホスト型検索エンジン

PDF ドキュメントのテキスト抽出、レンダリング、変換

SRTファイルのパース、変更、構築を行うためのシンプルなライブラリとツールのセット