extract-data

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。

PyMuPDF 是高性能的 Python 库，用于 PDF（及其他）文档的数据提取、分析、转换和操作。

NodeJS 的网页爬虫/蜘蛛，搭配服务器端 jQuery ;-)

Meltano：声明式、代码优先的数据集成引擎，助力实现您最狂野的数据与 ML 驱动产品创意。告别编写、维护和扩展您自己的 API 集成。

使用 AI 从文件中提取结构化数据的开源平台。

Crawly，一个适用于 Elixir 的高级网络爬虫与数据抓取框架。

[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