extract-data

將複雜文件（如 PDF 與 Office 文件）轉換為適合 LLM 使用的 markdown/JSON，以供 Agentic 工作流程使用。

PyMuPDF 是高效能的 Python 函式庫，用於 PDF（及其他）文件的資料擷取、分析、轉換與操作。

NodeJS 的網頁爬蟲/蜘蛛，搭配伺服器端 jQuery ;-)

Meltano：宣告式、程式碼優先的資料整合引擎，助力實現您最狂野的資料與 ML 驅動產品創意。告別編寫、維護和擴充您自己的 API 整合。

使用 AI 從文件中萃取結構化資料的開源平台。

Crawly，一個適用於 Elixir 的高階網路爬蟲與資料擷取框架。

[ECCV 2026] 一種基於擴散模型的文件 OCR 框架，以區塊級平行擴散解碼取代自回歸解碼