GLM-OCR：精准 × 快速 × 全面

轻松将文档转换为结构化数据。Unstructured是开源的ETL解决方案，可将复杂文档转换为适合语言模型的整洁结构化格式。访问我们的网站了解企业级平台产品，支持生产级工作流、分区、增强、分块和嵌入。

基于大语言模型的非结构化数据提取——专为API部署与ETL管道工作流构建。

基于人工智能的Python爬虫工具

高质量PDF转Markdown和JSON工具。一站式开源数据提取解决方案，实现PDF到Markdown与JSON格式的精准转换。

将文档网站、GitHub仓库和PDF文件转换为Claude AI技能，并具备自动冲突检测功能。

用于PDF检查、分类和文本提取的快速Rust库。智能检测扫描版与文本版PDF，以实现智能路由决策。

能够处理复杂表格、表单、手写体并保留完整版式的OCR模型

一款快速、实用且开源的文件解析工具

规模最大的PyTorch图像编码器/骨干网络集合。包含训练、评估、推理、导出脚本与预训练权重——支持ResNet、ResNeXT、EfficientNet、NFNet、Vision Transformer（ViT）、MobileNetV4、MobileNet-V3和V2、RegNet、DPN、CSPNet、Swin Transformer、MaxViT、CoAtNet、ConvNeXt等模型

基于PaddlePaddle的超棒多语言OCR与文档解析工具包（实用超轻量OCR系统，支持80+语言识别，提供数据标注与合成工具，支持服务器/移动端/嵌入式/IoT设备全平台训练与部署）

自托管人工智能会计应用。支持收据、发票及交易的LLM智能分析器，具备自定义提示词与分类功能

面向AI的网页数据API——将整个网站转换为LLM就绪的Markdown或结构化数据🔥

Crawlee——一个用于构建可靠爬虫的Node.js网络爬取和浏览器自动化库。支持JavaScript与TypeScript。可为人工智能、大语言模型、检索增强生成或GPT提取数据。从网站下载HTML、PDF、JPG、PNG等文件。兼容Puppeteer、Playwright、Cheerio、JSDOM及原始HTTP请求。支持有头模式与无头模式。提供代理轮换功能。

本仓库包含使用HuggingFace Transformers库构建的演示案例

纯 JavaScript 实现的 OCR 库，支持 100 多种语言 📖🎉🖥

面向AI就绪数据的PDF解析器。

社区支持的超级文档管理系统：扫描、索引和归档所有文档

适用于 AI 代理的最佳无头浏览器。精简、快速、高兼容性。内置 Rust

Tesseract开源OCR引擎（主代码库）