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-2.02026年8月28日 · 指标 2.10.0
全部标签
目录标签
#corpus
公开记录中带有此标签的全部仓库——标签来自其 GitHub 主题或软件包注册表发布的关键词。健康度量遵循与记录其余部分相同的版本化方法论。
9 条记录
—
quanteda/quanteda
An R package for the Quantitative Analysis of Textual Data
GPL-3.02026年10月19日 · 指标 2.10.0
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.
自定义许可证2026年9月10日 · 指标 2.10.0
PyPI
hankcs/HanLP
中文分词 词性标注 命名实体识别 依存句法分析 成分句法分析 语义依存分析 语义角色标注 指代消解 风格转换 语义相似度 新词发现 关键词短语提取 自动摘要 文本分类聚类 拼音简繁转换 自然语言处理
Apache-2.02026年10月22日 · 指标 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-2.02026年9月8日 · 指标 2.10.0
RubyGems
yohasebe/wp2txt
A command-line tool to extract plain text from Wikipedia dumps with category and section filtering
MIT2026年9月11日 · 指标 2.10.0
NuGet
vedph/pythia
Pythia concordance search engine and API
无许可证2026年10月16日 · 指标 2.10.0
Go
czcorpus/cqlizer
Predicting time-consuming CQL queries in language corpora
Apache-2.02026年9月13日 · 指标 2.10.0
PyPI
rodrodr/parlaibero-tools
MCP server for the ParlaIbero corpora (16 Ibero-American parliaments, Harvard Dataverse) and the diaries-* Claude Code skills that built them
MIT2026年10月15日 · 指标 2.10.0