PyPI
adbar/trafilatura
Python & Command-line tool to gather text and metadata on the Web: Crawling, scraping, extraction, output as CSV, JSON, HTML, MD, TXT, XML
Apache-2.028 ago 2026 · métricas 2.10.0
Todas las etiquetas
Etiqueta del catálogo
#corpus
Todos los repositorios del registro público que llevan esta etiqueta, procedente de sus topics de GitHub o de las palabras clave que publican sus registros de paquetes. La salud se mide con la misma metodología versionada que el resto del registro.
5 registros
PyPI
russalo/file-observer
Deterministic file observation for pipelines — one read-only pass over a directory emits a reproducible JSON manifest of every file's type, metadata, structure, and provenance.
Licencia propia17 jul 2026 · métricas 2.10.0
PyPI
ryanpavlicek/pyaegean
A specialist Python toolkit for Ancient Greek - alphabetic Greek NLP (incl. a neural pipeline) and the Aegean syllabic scripts (Linear A, Linear B, Cypriot, Cypro-Minoan)
Apache-2.016 jul 2026 · métricas 2.10.0
Go
czcorpus/cqlizer
Predicting time-consuming CQL queries in language corpora
Apache-2.024 jul 2026 · métricas 2.10.0
RubyGems
yohasebe/wp2txt
A command-line tool to extract plain text from Wikipedia dumps with category and section filtering
MIT19 jul 2026 · métricas 2.10.0