document-analysis

将复杂文件（如 PDF 与 Office 文件）转换为适合 LLM 使用的 markdown/JSON，以供 Agentic 工作流程使用。

“Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting” 官方仓库，ACL，2025 年

基于 LLM 的代理式数据处理与 ETL 系统

在 C# 中读取并提取 PDF 的文字与其他内容（PDFBox 的移植版）

本地部署、无需 OCR 的非结构化数据提取、Markdown 转换与基准测试工具包。(https://idp-leaderboard.org/)

朝向高级文学机器（Advanced Literate Machinery）的原创创新点子与算法集合。本项目由阿里巴巴集团通义实验室语言技术实验室 OCR 团队维护。

使用 AI 从文件中提取结构化数据的开源平台。

OpenOCR：一个用于通用 OCR 研究与应用的开源工具包，整合了统一的训练与评估基准、商业级 OCR 与文档解析系统，以及对多篇学术论文核心实现的忠实重现。

Dedoc 是一个用于自动化解析文件并将其转换为统一格式的库（服务）。它能自动从电子文字文件中提取内容、逻辑结构、表格和元信息。（文件解析；文件内容提取；逻辑结构提取；PDF 解析器；扫描文件解析器；DOCX 解析器；HTML 解析器）

[ECCV 2026] 一种基于扩散模型的文件 OCR 框架，以区块级并行扩散解码取代自回归解码

论文“PICK: Processing Key Information Extraction from Documents using Improved Graph Learning-Convolutional Networks”(ICPR 2020) 代码

AssemblyLine 4：文件分类与恶意软件分析