API de scraping que transforma sites inteiros em Markdown ou dados estruturados prontos para LLMs.
Tesseract
历史最悠久的开源 OCR 引擎。
- Categoria
- 📄 Análise de documentos e scraping
- Repositório
- tesseract-ocr/tesseract
- Estrelas
- ★ 77.041
- Forks
- 10.846
- Linguagem
- C++
- Licença
- Apache-2.0
- Última atualização
- 2026-10-10
- Visitas
- 1
OCR
Projetos semelhantes
Biblioteca de OCR do Baidu PaddlePaddle, que reúne mais de cem idiomas, PP-OCR e análise de documentos.
Converte PDFs e outros documentos em Markdown / JSON com alta qualidade, voltado para corpora de LLMs.
Ferramenta de análise de documentos de código aberto da IBM que converte PDFs e arquivos do Office em dados estruturados.
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/