API de scraping qui transforme des sites entiers en Markdown ou en données structurées prêtes pour les LLM.
Tesseract
历史最悠久的开源 OCR 引擎。
- Catégorie
- 📄 Analyse de documents et scraping
- Dépôt
- tesseract-ocr/tesseract
- Étoiles
- ★ 77 041
- Forks
- 10 846
- Langage
- C++
- Licence
- Apache-2.0
- Dernière mise à jour
- 2026-10-10
- Visites
- 1
OCR
Projets similaires
Boîte à outils OCR de Baidu PaddlePaddle, qui réunit plus d’une centaine de langues, PP-OCR et l’analyse de documents.
Convertit des PDF et autres documents en Markdown / JSON de haute qualité, destiné aux corpus de LLM.
Outil d’analyse de documents open source d’IBM qui convertit les PDF et fichiers Office en données structurées.
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/