text-extraction

快速的 Rust PDF 检测、分类与文字提取库，能智能辨别扫描版与文字版 PDF，帮助做出智能路由决策。

快速、实用且开源的文档解析器

具 Rust 核心的多语言文档智能框架。从 101 种格式（115 种文件扩展名）提取文本、元数据、图像和结构化数据，并支持 371 种代码语言的代码智能。提供 15 种语言绑定 — Rust、Python、Ruby、Java、Go、PHP、Elixir、C#、TypeScript — 以及 CLI、REST API 与 MCP 服务器

Python 与命令行工具，用于在网络上收集文本和元数据：爬取、抓取、抽取，输出为 CSV、JSON、HTML、MD、TXT、XML

自动摘要文字文件和 HTML 页面的模块

Golang PDF 函数库，用于创建与处理 PDF 文件（纯 Go）。

Tika-Python 是 Apache Tika™ REST 服务的 Python 绑定，允许在 Python 社区中原生调用 Tika。

适用于 Python 与 Rust 的最快 PDF 库。支持文字提取、图片提取、Markdown 转换、PDF 创建与编辑。平均 0.8ms，比业界领导者快 5 倍，3,830 个 PDF 测试 100% 通过率。采用 MIT/Apache-2.0 授权。

使用 Zig 编写的零拷贝 PDF 文本提取库。具备高性能、内存映射解析与 SIMD 加速。

使用视觉 LLM 将 PDF 转为 markdown — 保留表格、排版与结构

高性能且符合 CommonMark 规范的 HTML 转 Markdown 转换器。由 Kreuzberg 团队维护。Kreuzberg 是一个以 Rust 为核心的高速多语言文档智能引擎。它使用流式解析器和内置 OCR 从 98+ 种文档格式中提取结构化数据。

基于启发式的样板移除工具

一个文档专用的自架搜索引擎

PDF 文件的文字提取、渲染与转换

用于解析、修改与组合 SRT 文件的简单库与工具集。