text-extraction — 开源软件健康

PyPI · crates.io · npm +5

78良好健康指数

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/月2026年7月14日

Apache-2.02026年7月14日 · 指标 1.13.0

crates.io · PyPI

74良好健康指数

run-llama/liteparse

A fast, helpful, and open-source document parser

Rust★ 11.5K↓ 0/月2026年7月14日

Apache-2.02026年7月14日 · 指标 1.13.0

Packagist

73良好健康指数

PrinsFrank/pdfparser

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

PHP★ 163↓ 3,925/月2026年7月15日

MIT2026年7月15日 · 指标 1.13.0

Packagist · crates.io · npm +1

73良好健康指数

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/月2026年7月20日

MIT2026年7月20日 · 指标 1.13.0

PyPI

72良好健康指数

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★ 6,3122026年7月18日

Apache-2.02026年7月18日 · 指标 1.13.0

crates.io · npm · Packagist +1

71良好健康指数

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/月2026年7月14日

MIT2026年7月14日 · 指标 1.13.0

PyPI

69中等健康指数

airmang/python-hwpx

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

Python★ 96↓ 75.8K/月2026年7月20日

Apache-2.02026年7月20日 · 指标 1.13.0

crates.io

69中等健康指数

bzsanti/oxidizePdf

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

Rust★ 182↓ 6,045/月2026年7月13日

MIT2026年7月13日 · 指标 1.13.0

crates.io · Go · npm +1

69中等健康指数

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/月2026年7月13日

Apache-2.02026年7月13日 · 指标 1.13.0

npm

64中等健康指数

xonaman/nodejs-pdfium-native

Native Node.js bindings for PDFium

C++ · C · TypeScript★ 3↓ 8,650/月2026年7月17日

MIT2026年7月17日 · 指标 1.13.0

crates.io · npm · PyPI

61中等健康指数

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/月2026年7月14日

MIT2026年7月14日 · 指标 1.13.0

npm

61中等健康指数

happyvertical/ocr

该仓库未发布描述。

TypeScript★ 0↓ 3,363/月2026年7月15日

MIT2026年7月15日 · 指标 1.13.0

crates.io

61中等健康指数

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/月2026年7月21日

MIT2026年7月21日 · 指标 1.13.0

crates.io · Go · npm +2

61中等健康指数

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/月2026年7月13日

MIT2026年7月13日 · 指标 1.13.0

npm

58中等健康指数

heey-global/deep-ocr-n8n

该仓库未发布描述。

TypeScript★ 0↓ 4,479/月2026年7月15日

MIT2026年7月15日 · 指标 1.13.0

Packagist

56中等健康指数

TYPO3-Solr/ext-tika

A TYPO3 CMS extension that provides Apache Tika functionality

PHP · HTML★ 9↓ 12.2K/月2026年7月17日

GPL-3.02026年7月17日 · 指标 1.13.0

PyPI

49存在风险健康指数

miso-belica/jusText

Heuristic based boilerplate removal tool

Python★ 818↓ 10.2M/月2026年7月21日

BSD-2-Clause2026年7月21日 · 指标 1.13.0

npm

33存在风险健康指数

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/月2026年7月17日

MIT2026年7月17日 · 指标 1.13.0

#text-extraction