Parser de documentos open source que converte PDFs, arquivos do Office e imagens em Markdown ou JSON para fluxos de trabalho com LLMs e agentes.
82,1 mil6,8 milPythonOtherAtualizado anteontem
The-Vibe-Company/megaparse
Um parser de documentos que converte arquivos PDF, Word, PowerPoint, Excel e CSV em texto pronto para LLMs, buscando preservar o conteúdo.
- Estrelas
- 7,415
- Forks
- 417
- Issues abertas
- 34
- Último commit
- há 6 dias
O que é?
MegaParse é uma biblioteca Python para converter documentos em um formato adequado para ingestão por LLMs. Ela processa arquivos de texto, PDFs, apresentações do PowerPoint, documentos do Word, planilhas do Excel e arquivos CSV, buscando preservar o conteúdo durante a conversão.
O parser reconhece elementos estruturais como tabelas, sumários, cabeçalhos, rodapés e imagens. Um modo separado, MegaParse Vision, usa um modelo multimodal (como GPT-4o ou Claude) para ler páginas como imagens. O projeto também inclui um servidor de API que pode ser executado localmente.
Para usar a biblioteca, é necessário ter Python 3.11 ou superior. Dependendo dos tipos de arquivo, também são necessárias ferramentas de sistema como poppler e tesseract, além de uma chave de API da OpenAI ou da Anthropic para o modo de visão.
Recursos principais
- 01Processa arquivos PDF, Word, PowerPoint, Excel, CSV e arquivos de texto.
- 02Preserva tabelas, sumários, cabeçalhos, rodapés e imagens.
- 03Oferece um modo de visão que usa LLMs multimodais para ler páginas.
- 04Pode ser executado como um servidor de API local com endpoints documentados.
Casos de uso
- Preparar documentos PDF ou do Office como entrada para pipelines de geração aumentada por recuperação (RAG).
- Extrair texto estruturado e tabelas de apresentações e relatórios para processamento por LLMs.
- Criar um serviço de ingestão de documentos que disponibiliza o parsing por meio de uma API HTTP.
Início rápido
- 1
Instale o MegaParse com pip (Python 3.11 ou mais recente)
pip install megaparse - 2
Adicione sua chave de API da OpenAI ou Anthropic ao arquivo .env
- 3
Instale poppler e tesseract no seu computador (necessários para imagens e PDFs)
- 4
Analise um documento com o MegaParse no Python
Antes de usar
- É necessária uma chave de API da OpenAI ou Anthropic para usar os recursos de análise.
- É preciso instalar separadamente as ferramentas de sistema poppler e tesseract; no macOS, também é necessário o libmagic.
- É necessário ter Python 3.11 ou mais recente.
Tópicos
Perguntas frequentes
- O que é megaparse?
- Um parser de documentos que converte arquivos PDF, Word, PowerPoint, Excel e CSV em texto pronto para LLMs, buscando preservar o conteúdo. MegaParse é uma biblioteca Python para converter documentos em um formato adequado para ingestão por LLMs. Ela processa arquivos de texto, PDFs, apresentações do PowerPoint, documentos do Word, planilhas do Excel e arquivos CSV, buscando preservar o conteúdo durante a conversão.
- megaparse é gratuito? Qual é a licença?
- megaparse é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- megaparse ainda é mantido?
- Manutenção ativa. O último commit de megaparse foi em 15 de out. de 2026.
- Para que posso usar megaparse?
- Preparar documentos PDF ou do Office como entrada para pipelines de geração aumentada por recuperação (RAG). Extrair texto estruturado e tabelas de apresentações e relatórios para processamento por LLMs. Criar um serviço de ingestão de documentos que disponibiliza o parsing por meio de uma API HTTP.
- Como instalar megaparse?
- Instale o MegaParse com pip (Python 3.11 ou mais recente): pip install megaparse Adicione sua chave de API da OpenAI ou Anthropic ao arquivo .env Instale poppler e tesseract no seu computador (necessários para imagens e PDFs) Analise um documento com o MegaParse no Python
- Onde consigo megaparse?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/The-Vibe-Company/megaparse
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Parser de documentos open source que converte PDFs, arquivos do Office, HTML e outros formatos em dados estruturados para pipelines de IA generativa.
69,1 mil5,1 milPythonMITAtualizado anteontem
Converte PDFs e outros documentos para Markdown, JSON, chunks ou HTML, com assistência opcional de LLM para maior precisão.
40,6 mil2,9 milPythonApache-2.0Atualizado anteontem
Utilitário Python que converte PDFs, documentos do Office, HTML, imagens, áudio e outros formatos em Markdown para pipelines de LLM e análise de texto.
191,2 mil14,2 milPythonMITAtualizado há 17 dias
Framework RAG completo para consultar documentos que combinam texto, imagens, tabelas e equações, desenvolvido sobre o LightRAG.
IA e Machine Learning#rag#multimodal#retrieval-augmented-generation#knowledge-graph#document-parsing
23,9 mil2,8 milPythonMITAtualizado há 9 dias
Biblioteca Python e interface web que convertem PDFs, DOCX, PPTX, XLSX, imagens e URLs em Markdown, JSON, CSV ou HTML, com OCR e extração de campos estruturados.
1,6 mil138PythonMITAtualizado há 12 meses