npm · crates.io · PyPI
run-llama/liteparse
A fast, helpful, and open-source document parser
Apache-2.02026年8月22日 · 指标 2.10.0
全部标签
目录标签
#text-extraction
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。
28 条记录
crates.io · PyPI · npm +5
yfedoseev/pdf_oxide
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.
Apache-2.02026年9月5日 · 指标 2.10.0
npm
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, and browser extensions. Docker & CLI supported. The official SDK is browser-only.
MIT2026年8月1日 · 指标 2.10.0
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
npm · Packagist · crates.io +1
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.
MIT2026年8月28日 · 指标 2.10.0
PyPI
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.
Apache-2.02026年8月13日 · 指标 2.10.0
Packagist · crates.io · npm +1
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.
MIT2026年7月27日 · 指标 2.10.0
crates.io · PyPI · npm +1
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.
Apache-2.02026年8月22日 · 指标 2.10.0
Packagist
PrinsFrank/pdfparser
PHP library to read and extract text & images from PDFs - Fast & Low memory - Built from scratch
MIT2026年7月15日 · 指标 2.10.0
PyPI · npm · crates.io
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.
MIT2026年8月22日 · 指标 2.10.0
npm
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
MIT2026年8月27日 · 指标 2.10.0
crates.io
bzsanti/oxidizePdf
Pure Rust PDF library for AI/RAG: structure-aware chunking, no ML, no C deps.
MIT2026年8月22日 · 指标 2.10.0
PyPI
airmang/python-hwpx
Pure Python HWPX automation: read, edit, generate, and validate documents without Hancom Office.
Apache-2.02026年7月20日 · 指标 2.10.0
Go
coregx/gxpdf
GxPDF - Enterprise-grade PDF library for Go. Table extraction, text parsing, encryption, document creation.
MIT2026年8月7日 · 指标 2.10.0
npm
unjs/unpdf
📄 PDF extraction and rendering across all JavaScript runtimes
MIT2026年8月5日 · 指标 2.10.0
npm
xonaman/nodejs-pdfium-native
Native Node.js bindings for PDFium
MIT2026年7月17日 · 指标 2.10.0
npm
happyvertical/ocr
该仓库未发布描述。
MIT2026年7月15日 · 指标 2.10.0
crates.io
iyulab/unpdf
High-performance Rust PDF extraction library with Markdown/JSON output, CJK/RTL support, multi-column layout detection, and Python/.NET/CLI bindings.
MIT2026年7月21日 · 指标 2.10.0
npm
happyvertical/pdf
该仓库未发布描述。
MIT2026年7月23日 · 指标 2.10.0
Packagist · Go · crates.io +2
kreuzberg-dev/kreuzberg-lts
Kreuzberg v4 LTS — long-term support for the v4 line (legacy; superseded by xberg for v5+). MIT-licensed.
MIT2026年8月22日 · 指标 2.10.0
crates.io · PyPI
developer0hye/pdfplumber-rs
Evidence-driven PDF extraction for Rust, with an alpha Python pdfplumber migration path.
Apache-2.02026年8月28日 · 指标 2.10.0
npm
heey-global/deep-ocr-n8n
该仓库未发布描述。
MIT2026年7月15日 · 指标 2.10.0
npm
johannschopplich/pdfjs-serverless
🪭 PDF.js redistributed as a single bundle for edge and serverless runtimes
MIT2026年8月5日 · 指标 2.10.0
Go
giraffesyo/pdf
Robust, zero-dependency PDF text extraction for Go, with positioned glyphs, reading- order reconstruction, and hardened parsing.
MIT2026年9月5日 · 指标 2.10.0
Packagist
TYPO3-Solr/ext-tika
A TYPO3 CMS extension that provides Apache Tika functionality
GPL-3.02026年7月17日 · 指标 2.10.0
PyPI
miso-belica/jusText
Heuristic based boilerplate removal tool
BSD-2-Clause2026年8月27日 · 指标 2.10.0
PyPI · crates.io
4thel00z/pdfboss
From-scratch Rust PDF toolkit for Python: fast page rendering and text extraction via PyO3 — benchmarked faster than mainstream Python PDF libraries
Apache-2.02026年7月31日 · 指标 2.10.0
PyPI
cdown/srt
A simple library and set of tools for parsing, modifying, and composing SRT files.
MIT2026年8月19日 · 指标 2.10.0