text-extraction

Thư viện Rust tốc độ cao dùng để kiểm tra, phân loại và trích xuất văn bản từ PDF. Tự động phát hiện thông minh file PDF dạng quét hay dạng văn bản để đưa ra quyết định định tuyến.

Trình phân tích cú pháp tài liệu nhanh chóng, hữu ích và mã nguồn mở

Một framework trí tuệ tài liệu đa ngôn ngữ với lõi Rust. Trích xuất văn bản, siêu dữ liệu, hình ảnh và dữ liệu cấu trúc từ 101 định dạng (115 phần mở rộng tệp) cộng với trí tuệ mã cho 371 ngôn ngữ lập trình. 15 liên kết ngôn ngữ — Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, TypeScript — cộng với CLI, REST API và MCP server.

Công cụ Python & dòng lệnh thu thập văn bản và siêu dữ liệu trên web: Thu thập, cào dữ liệu, trích xuất, xuất ra định dạng CSV, JSON, HTML, MD, TXT, XML

Mô-đun tự động tóm tắt tài liệu văn bản và trang HTML.

Thư viện PDF bằng Golang dùng để tạo và xử lý tệp PDF (thuần Go)

Tika-Python là một thư viện Python liên kết với dịch vụ REST của Apache Tika™, cho phép gọi Tika trực tiếp trong cộng đồng Python.

Thư viện PDF nhanh nhất cho Python và Rust. Hỗ trợ trích xuất văn bản, hình ảnh, chuyển đổi sang markdown, tạo và chỉnh sửa PDF. Trung bình 0,8ms, nhanh gấp 5 lần các đối thủ hàng đầu, tỷ lệ thành công 100% trên 3.830 tệp PDF. Giấy phép MIT/Apache-2.0.

Thư viện trích xuất văn bản PDF zero-copy viết bằng Zig. Phân tích cú pháp ánh xạ bộ nhớ, hiệu năng cao với tăng tốc SIMD.

Chuyển đổi PDF sang markdown sử dụng vision LLM — bảo toàn bảng, bố cục và cấu trúc

Trình chuyển đổi HTML sang Markdown hiệu năng cao và tuân thủ CommonMark. Được duy trì bởi đội ngũ Kreuzberg. Kreuzberg là một công cụ thông minh tài liệu đa ngôn ngữ, tốc độ cao với lõi Rust. Nó trích xuất dữ liệu có cấu trúc từ hơn 98 định dạng tài liệu bằng cách sử dụng trình phân tích luồng và OCR tích hợp.

Công cụ loại bỏ boilerplate dựa trên phương pháp heuristic.

Một công cụ tìm kiếm tài liệu tự lưu trữ

Trích xuất, hiển thị và chuyển đổi văn bản từ tài liệu PDF.

Một thư viện đơn giản và bộ công cụ để phân tích, sửa đổi và soạn thảo các tệp SRT.