「text-extraction」に関するオープンソースプロジェクト

MuPDFエンジンを基盤とする、高速なPDFなどの文書形式の抽出・解析・変換・レンダリング・編集に対応したPythonライブラリです。

Webサイトをクロールし、HTMLから本文、メタデータ、コメントを抽出するPythonパッケージ兼CLI。

バウンディングボックス付きテキスト抽出、TesseractまたはHTTP OCR、複数形式の出力に対応する高速なRust製ローカル文書パーサー。

画面領域や画像、PDF、ファイルからテキストを抽出し、ローカルでOCRを実行して結果をコピー・転送できるWindows用ツール。

PDFがテキストベースかスキャン画像かを判定し、テキストベースのPDFをOCRなしでクリーンなMarkdownに変換するRustライブラリおよびCLI。