text-extraction — здоров'я програмного забезпечення з відкритим кодом

crates.io · PyPI · npm +5

96Винятковийіндекс здоров'я

The fastest PDF library for Python and Rust. Text extraction, image extraction, markdown conversion, PDF creation & editing. 0.8ms mean, 5× faster than industry leaders, 100% pass rate on 3,830 PDFs. MIT/Apache-2.0.

Rust★ 1 089↓ 487K/міс21 жовт. 2026 р.

Apache-2.021 жовт. 2026 р. · метрики 2.10.0

npm · crates.io · PyPI

94Винятковийіндекс здоров'я

run-llama/liteparse

A fast, helpful, and open-source document parser

Rust★ 12.9K↓ 1.2M/міс20 жовт. 2026 р.

Apache-2.020 жовт. 2026 р. · метрики 2.10.0

npm

92Відміннийіндекс здоров'я

PT-Perkasa-Pilar-Utama/ppu-paddle-ocr

Lightweight, probably the fastest PaddleOCR SDK in TypeScript. Multilingual Support. Runs anywhere JavaScript runs: Node.js, Bun, Deno, mobile react-native, web browsers, web worker, and browser extensions. Docker & CLI supported. The official SDK is browser-only.

TypeScript · HTML★ 134↓ 64.2K/міс15 вер. 2026 р.

MIT15 вер. 2026 р. · метрики 2.10.0

PyPI

91Відміннийіндекс здоров'я

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

Python★ 6 718↓ 14M/міс28 серп. 2026 р.

Apache-2.028 серп. 2026 р. · метрики 2.10.0

npm · Packagist · crates.io +1

89Відміннийіндекс здоров'я

xberg-io/html-to-markdown

High performance and CommonMark compliant HTML to Markdown converter. Maintained by the Kreuzberg team. Kreuzberg is a fast, polyglot document intelligence engine with a Rust core. It extracts structured data from 98+ document formats using streaming parsers and built-in OCR.

HTML · Rust★ 869↓ 1 033/міс14 вер. 2026 р.

MIT14 вер. 2026 р. · метрики 2.10.0

crates.io · npm · PyPI +1

89Відміннийіндекс здоров'я

yfedoseev/office_oxide

The fastest Office document library for Python, Rust, Go, JS/TS, C# and WASM. DOCX, XLSX, PPTX, DOC, XLS, PPT. Up to 100× faster than python-docx/openpyxl/python-pptx. 100% pass rate on valid Office files. MIT/Apache-2.0.

Rust★ 154↓ 286K/міс20 жовт. 2026 р.

Apache-2.020 жовт. 2026 р. · метрики 2.10.0

Packagist

87Відміннийіндекс здоров'я

PrinsFrank/pdfparser

PHP library to read and extract text & images from PDFs - Fast & Low memory - Built from scratch

PHP★ 171↓ 9 237/міс8 вер. 2026 р.

MIT8 вер. 2026 р. · метрики 2.10.0

PyPI · npm · crates.io

87Відміннийіндекс здоров'я

firecrawl/pdf-inspector

Fast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.

Rust★ 19.7K↓ 1.6M/міс20 жовт. 2026 р.

MIT20 жовт. 2026 р. · метрики 2.10.0

npm · Packagist · crates.io +1

87Відміннийіндекс здоров'я

xberg-io/xberg

Polyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.

Rust★ 9 424↓ 2 541/міс18 жовт. 2026 р.

MIT18 жовт. 2026 р. · метрики 2.10.0

npm

86Відміннийіндекс здоров'я

harshankur/officeParser

A robust, strictly-typed Node.js and Browser library for parsing office files into a rich Abstract Syntax Tree (AST) and generating high-fidelity output in multiple formats. Parses: docx · pptx · xlsx · odt · odp · ods · pdf · rtf · csv · md · html. Generates: Markdown · HTML · CSV · RTF · PDF · Plain Text · RAG Chunks

Rich Text Format · HTML★ 533↓ 2.9M/міс27 серп. 2026 р.

MIT27 серп. 2026 р. · метрики 2.10.0

PyPI

86Відміннийіндекс здоров'я

oomol-lab/pdf-craft

PDF craft can convert PDF files into various other formats. This project will focus on processing PDF files of scanned books.

Python★ 6 314↓ 2 560/міс19 вер. 2026 р.

MIT19 вер. 2026 р. · метрики 2.10.0

PyPI

84Відміннийіндекс здоров'я

airmang/python-hwpx

Pure Python HWPX automation: read, edit, generate, and validate documents without Hancom Office.

Python★ 108↓ 115.9K/міс12 вер. 2026 р.

Apache-2.012 вер. 2026 р. · метрики 2.10.0

crates.io

84Відміннийіндекс здоров'я

bzsanti/oxidizePdf

Pure Rust PDF library for AI/RAG: structure-aware chunking, no ML, no C deps.

Rust★ 193↓ 36.6K/міс20 жовт. 2026 р.

MIT20 жовт. 2026 р. · метрики 2.10.0

PyPI

84Відміннийіндекс здоров'я

chrismattmann/tika-python

Tika-Python is a Python binding to the Apache Tika™ REST services allowing Tika to be called natively in the Python community.

Python★ 1 66617 вер. 2026 р.

Apache-2.017 вер. 2026 р. · метрики 2.10.0

npm

78Добрийіндекс здоров'я

xonaman/nodejs-pdfium-native

Native Node.js bindings for PDFium

C++ · TypeScript · C★ 4↓ 40.8K/міс10 вер. 2026 р.

MIT10 вер. 2026 р. · метрики 2.10.0

77Добрийіндекс здоров'я

coregx/gxpdf

GxPDF - Enterprise-grade PDF library for Go. Table extraction, text parsing, encryption, document creation.

Go★ 4917 вер. 2026 р.

MIT17 вер. 2026 р. · метрики 2.10.0

npm

77Добрийіндекс здоров'я

unjs/unpdf

📄 PDF extraction and rendering across all JavaScript runtimes

TypeScript · JavaScript★ 1 234↓ 11.5M/міс16 вер. 2026 р.

MIT16 вер. 2026 р. · метрики 2.10.0

Packagist · Go · crates.io +2

75Добрийіндекс здоров'я

kreuzberg-dev/kreuzberg-lts

Kreuzberg v4 LTS — long-term support for the v4 line (legacy; superseded by xberg for v5+). MIT-licensed.

Rust · HTML★ 18↓ 2/міс20 жовт. 2026 р.

MIT20 жовт. 2026 р. · метрики 2.10.0

75Добрийіндекс здоров'я

unidoc/unipdf

Golang PDF library for creating and processing PDF files (pure go)

Go★ 3 11820 вер. 2026 р.

Власна ліцензія20 вер. 2026 р. · метрики 2.10.0

crates.io

73Добрийіндекс здоров'я

iyulab/unpdf

High-performance Rust PDF extraction library with Markdown/JSON output, CJK/RTL support, multi-column layout detection, and Python/.NET/CLI bindings.

Rust★ 55↓ 2 472/міс12 вер. 2026 р.

MIT12 вер. 2026 р. · метрики 2.10.0

Packagist

71Добрийіндекс здоров'я

TYPO3-Solr/ext-tika

A TYPO3 CMS extension that provides Apache Tika functionality

PHP · HTML★ 9↓ 13K/міс10 вер. 2026 р.

GPL-3.010 вер. 2026 р. · метрики 2.10.0

npm

71Добрийіндекс здоров'я

happyvertical/ocr

Опис репозиторію не опубліковано.

TypeScript★ 0↓ 8 235/міс8 вер. 2026 р.

MIT8 вер. 2026 р. · метрики 2.10.0

npm

71Добрийіндекс здоров'я

happyvertical/pdf

Опис репозиторію не опубліковано.

TypeScript★ 0↓ 7 308/міс13 вер. 2026 р.

MIT13 вер. 2026 р. · метрики 2.10.0

69Добрийіндекс здоров'я

giraffesyo/pdf

Robust, zero-dependency PDF text extraction for Go, with positioned glyphs, reading-order reconstruction, and hardened parsing.

Go★ 422 жовт. 2026 р.

Apache-2.022 жовт. 2026 р. · метрики 2.10.0

PyPI · crates.io

67Добрийіндекс здоров'я

4thel00z/pdfboss

From-scratch Rust PDF toolkit for Python: fast page rendering and text extraction via PyO3. Benchmarked faster than mainstream Python PDF libraries

Rust★ 10↓ 4 395/міс15 вер. 2026 р.

Apache-2.015 вер. 2026 р. · метрики 2.10.0

PyPI

65Добрийіндекс здоров'я

kermitt2/pdfalto

PDF to XML ALTO file converter

C · C++★ 276↓ 376/міс19 вер. 2026 р.

GPL-2.019 вер. 2026 р. · метрики 2.10.0

npm

63Помірнийіндекс здоров'я

Heey-Global/deep-ocr-n8n

Опис репозиторію не опубліковано.

TypeScript★ 0↓ 440/міс8 вер. 2026 р.

MIT8 вер. 2026 р. · метрики 2.10.0

crates.io · PyPI

63Помірнийіндекс здоров'я

developer0hye/pdfplumber-rs

Evidence-driven PDF extraction for Rust, with an alpha Python pdfplumber migration path.

Rust · Python★ 2↓ 23.8K/міс28 серп. 2026 р.

Apache-2.028 серп. 2026 р. · метрики 2.10.0

npm

62Помірнийіндекс здоров'я

johannschopplich/pdfjs-serverless

🪭 PDF.js redistributed as a single bundle for edge and serverless runtimes

TypeScript · JavaScript★ 97↓ 54.7K/міс16 вер. 2026 р.

MIT16 вер. 2026 р. · метрики 2.10.0

62Помірнийіндекс здоров'я

mgilbir/pdf0

A PDF parser, serializer and conformance validator in Go — PDF 1.x and 2.0 — covering PDF/A, PDF/UA, PDF/X, PDF/VT, PDF/R and Factur-X, with PAdES signing, encryption and text/image extraction.

Go★ 020 вер. 2026 р.

MIT20 вер. 2026 р. · метрики 2.10.0

#text-extraction