text-extraction

快速的 Rust PDF 檢測、分類與文字抽取函式庫，能智慧辨識掃描版與文字版 PDF，協助做出智能路由決策。

快速、實用且開源的文件解析器

具 Rust 核心的多語言文件智慧框架。從 101 種格式（115 種檔案副檔名）提取文字、元資料、影像與結構化資料，並支援 371 種程式語言的程式碼智慧。提供 15 種語言綁定 — Rust、Python、Ruby、Java、Go、PHP、Elixir、C#、TypeScript — 以及 CLI、REST API 與 MCP 伺服器

Python 與命令列工具，用於在網路上收集文字與中繼資料：爬蟲、擷取、抽取，輸出為 CSV、JSON、HTML、MD、TXT、XML

自動摘要文字文件和 HTML 頁面的模組

Golang PDF 函式庫，用於創建與處理 PDF 檔案（純 Go）。

Tika-Python 是 Apache Tika™ REST 服務的 Python 綁定，允許在 Python 社群中原生呼叫 Tika。

適用於 Python 與 Rust 的最快 PDF 函式庫。支援文字萃取、圖片萃取、Markdown 轉換、PDF 建立與編輯。平均 0.8ms，比業界領導者快 5 倍，3,830 個 PDF 測試 100% 通過率。採用 MIT/Apache-2.0 授權。

使用 Zig 編寫的零複製 PDF 文字擷取函式庫。具備高效能、記憶體對映解析與 SIMD 加速。

使用視覺 LLM 將 PDF 轉為 markdown — 保留表格、版面與結構

高效能且符合 CommonMark 規範的 HTML 轉 Markdown 轉換器。由 Kreuzberg 團隊維護。Kreuzberg 是一個以 Rust 為核心的高速多語言文件智慧引擎。它使用串流解析器和內建的 OCR 從 98+ 種文件格式中提取結構化資料。

基於啟發式的樣板移除工具

一個文件專用的自架搜尋引擎

PDF 文件的文字提取、渲染與轉換

用於解析、修改與組合 SRT 檔案的簡單函式庫與工具集。