opendatalab/MinerU

Transforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.

ai4sciencedocument-analysisdocxextract-datalayout-analysisocrparserpdfpdf-converterpdf-extractor-llm

Licencia y mantenimiento

Licencia propia o modificada que GitHub no reconoce: lee el archivo LICENSE del repositorio antes de usarlo en un producto.

Último cambio de código hoy.

	Repositorio	Estrellas	Lenguaje	Licencia	Actividad
1	bytedance/DolphinThe official repo for “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.	★ 9.1k	Python	Other	Menos activo
2	docling-project/doclingGet your documents ready for gen AI	★ 69.1k	Python	MIT	Activo
3	ocrmypdf/OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched	★ 35.1k	Python	MPL-2.0	Activo
4	kekingcn/kkFileViewUniversal File Online Preview Project based on Spring-Boot	★ 14.8k	Java	—	Activo
5	run-llama/liteparseA fast, helpful, and open-source document parser	★ 12.9k	Rust	Apache-2.0	Activo
6	wmjordan/PDFPatcherPDF补丁丁——PDF工具箱，可以编辑书签、剪裁旋转页面、解除限制、提取或合并文档，探查文档结构，提取图片、转成图片等等	★ 12.7k	C#	—	Activo
7	getomni-ai/zeroxOCR & Document Extraction using vision models	★ 12.2k	TypeScript	MIT	Sin cambios
8	hiroi-sora/Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。	★ 48k	Python	MIT	Menos activo