API de scraping que convierte sitios web completos en Markdown o datos estructurados listos para LLM.
Tesseract
历史最悠久的开源 OCR 引擎。
- Categoría
- 📄 Análisis de documentos y scraping
- Repositorio
- tesseract-ocr/tesseract
- Estrellas
- ★ 77.041
- Forks
- 10.846
- Lenguaje
- C++
- Licencia
- Apache-2.0
- Última actualización
- 2026-10-10
- Visitas
- 1
OCR
Proyectos similares
Biblioteca de OCR de Baidu PaddlePaddle que combina más de cien idiomas, PP-OCR y análisis de documentos.
Convierte PDF y otros documentos a Markdown / JSON con alta calidad, pensado para corpus de LLM.
Herramienta de análisis de documentos de código abierto de IBM que convierte PDF y archivos de Office en datos estructurados.
微软出品，把 Office、PDF 等文件转为 Markdown 供 LLM 使用。
🕷️ An adaptive Web Scraping framework that handles everything from a single request to a full-scale crawl! Don't be shy, join here: https://discord.gg/EMgGbDceNQ and follow here for daily tips and tricks: https://x.com/