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

PyPI · crates.io · npm +5

78Добрийіндекс 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★ 886↓ 226.3K/міс14 лип. 2026 р.

Apache-2.014 лип. 2026 р. · метрики 1.13.0

crates.io · PyPI

74Добрийіндекс здоров'я

run-llama/liteparse

A fast, helpful, and open-source document parser

Rust★ 11.5K↓ 0/міс14 лип. 2026 р.

Apache-2.014 лип. 2026 р. · метрики 1.13.0

Packagist

73Добрийіндекс здоров'я

PrinsFrank/pdfparser

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

PHP★ 163↓ 3 925/міс15 лип. 2026 р.

MIT15 лип. 2026 р. · метрики 1.13.0

Packagist · crates.io · npm +1

73Добрийіндекс здоров'я

xberg-io/xberg

A polyglot document intelligence framework with a Rust core. Extract text, metadata, images, and structured information from PDFs, Office documents, images, and 97+ formats. Available for Rust, Python, Ruby, Java, Go, PHP, Elixir, C#, R, C, TypeScript (Node/Bun/Wasm/Deno)- or use via CLI, REST API, or MCP server.

Rust★ 8 675↓ 40/міс20 лип. 2026 р.

MIT20 лип. 2026 р. · метрики 1.13.0

PyPI

72Добрийіндекс 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 31218 лип. 2026 р.

Apache-2.018 лип. 2026 р. · метрики 1.13.0

crates.io · npm · Packagist +1

71Добрийіндекс 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 56+ document formats using streaming parsers and built-in OCR.

HTML★ 806↓ 6/міс14 лип. 2026 р.

MIT14 лип. 2026 р. · метрики 1.13.0

PyPI

69Помірнийіндекс здоров'я

airmang/python-hwpx

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

Python★ 96↓ 75.8K/міс20 лип. 2026 р.

Apache-2.020 лип. 2026 р. · метрики 1.13.0

crates.io

69Помірнийіндекс здоров'я

bzsanti/oxidizePdf

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

Rust★ 182↓ 6 045/міс13 лип. 2026 р.

MIT13 лип. 2026 р. · метрики 1.13.0

crates.io · Go · npm +1

69Помірнийіндекс 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★ 68↓ 71K/міс13 лип. 2026 р.

Apache-2.013 лип. 2026 р. · метрики 1.13.0

npm

64Помірнийіндекс здоров'я

xonaman/nodejs-pdfium-native

Native Node.js bindings for PDFium

C++ · C · TypeScript★ 3↓ 8 650/міс17 лип. 2026 р.

MIT17 лип. 2026 р. · метрики 1.13.0

crates.io · npm · PyPI

61Помірнийіндекс 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★ 1 577↓ 36.1K/міс14 лип. 2026 р.

MIT14 лип. 2026 р. · метрики 1.13.0

npm

61Помірнийіндекс здоров'я

happyvertical/ocr

Опис репозиторію не опубліковано.

TypeScript★ 0↓ 3 363/міс15 лип. 2026 р.

MIT15 лип. 2026 р. · метрики 1.13.0

crates.io

61Помірнийіндекс 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★ 43↓ 2 335/міс21 лип. 2026 р.

MIT21 лип. 2026 р. · метрики 1.13.0

crates.io · Go · npm +2

61Помірнийіндекс 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★ 2↓ 0/міс13 лип. 2026 р.

MIT13 лип. 2026 р. · метрики 1.13.0

npm

58Помірнийіндекс здоров'я

heey-global/deep-ocr-n8n

Опис репозиторію не опубліковано.

TypeScript★ 0↓ 4 479/міс15 лип. 2026 р.

MIT15 лип. 2026 р. · метрики 1.13.0

Packagist

56Помірнийіндекс здоров'я

TYPO3-Solr/ext-tika

A TYPO3 CMS extension that provides Apache Tika functionality

PHP · HTML★ 9↓ 12.2K/міс17 лип. 2026 р.

GPL-3.017 лип. 2026 р. · метрики 1.13.0

PyPI

49У зоні ризикуіндекс здоров'я

miso-belica/jusText

Heuristic based boilerplate removal tool

Python★ 818↓ 10.2M/міс21 лип. 2026 р.

BSD-2-Clause21 лип. 2026 р. · метрики 1.13.0

npm

33У зоні ризикуіндекс 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★ 502↓ 2.1M/міс17 лип. 2026 р.

MIT17 лип. 2026 р. · метрики 1.13.0

#text-extraction