API для парсинга, превращающий целые сайты в Markdown или структурированные данные, пригодные для LLM.
Tesseract
历史最悠久的开源 OCR 引擎。
- Категория
- 📄 Разбор документов и парсинг
- Репозиторий
- tesseract-ocr/tesseract
- Звёзды
- ★ 77 041
- Форки
- 10 846
- Язык
- C++
- Лицензия
- Apache-2.0
- Последнее обновление
- 2026-10-10
- Переходы
- 1
OCR
Похожие проекты
Библиотека OCR от Baidu PaddlePaddle: более ста языков, PP-OCR и разбор документов в одном наборе.
Качественное преобразование PDF и других документов в Markdown / JSON для корпусов данных LLM.
Open-source инструмент IBM для разбора документов: преобразует PDF и файлы Office в структурированные данные.
微软出品，把 Office、PDF 等文件转为 Markdown 供 LLM 使用。
🕷️ A 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/Scrapling_