Awesome GitHub RepositoriesDocumentation and Processing

This project is an AI-powered document processing engine designed to transform diverse file formats into structured Markdown. By leveraging multimodal language models, it performs complex layout analysis and semantic text extraction, allowing for the conversion of both unstructured files and scanned images into machine-readable content. The toolkit distinguishes itself through a modular, plugin-based architecture that orchestrates multi-stage extraction pipelines. Users can steer the parsing behavior by injecting custom instructions, enabling the system to adapt to domain-specific document st

Marker is a comprehensive document processing platform designed to automate the conversion, extraction, and structuring of data from complex files. It functions as an orchestration engine that chains modular processing steps into versioned, reusable pipelines, allowing organizations to standardize document handling and automate repetitive business tasks at scale. The platform distinguishes itself through its support for secure, private infrastructure deployment, enabling users to run containerized services within their own environments to maintain strict data privacy. It features specialized

MkDocs is a static site generator designed specifically for creating project documentation. It functions as a command-line utility that transforms structured Markdown files into professional, searchable websites. By utilizing a centralized configuration file, it manages site metadata, navigation hierarchies, and build settings to ensure consistent output across documentation projects. The platform distinguishes itself through a highly extensible architecture that separates content from presentation. Users can apply visual themes to control the site's appearance, while a plugin-based build sys

PyPDF2 هي مكتبة Python صرفة لتحويل وتأمين واستخراج البيانات من مستندات PDF. توفر مجموعة شاملة من الأدوات لتعديل تخطيطات الصفحات، وإدارة أمان المستندات، واسترداد البيانات الوصفية المضمنة دون الاعتماد على مكتبات C خارجية. تتيح مجموعة الأدوات تجميع المستندات من خلال دمج ملفات متعددة وتقسيم المستندات إلى أجزاء أصغر. كما تدعم تحويلات مستوى الصفحة، بما في ذلك القدرة على تدوير الصفحات وضبط مناطق الاقتصاص المرئية. تتضمن المكتبة قدرات لإدارة الأمان عبر التشفير وفك التشفير القائم على كلمة المرور. بالإضافة إلى ذلك، توفر أدوات لاستخراج النص المكتوب والخصائص الإدارية من ملفات PDF.

WeasyPrint is a Python-based library and layout engine that converts HTML and CSS into printable PDF documents. It functions as a CSS paged media engine, translating web technologies into formatted files for automated document generation. The project implements CSS standards for print and paginated documents, allowing for the design of layouts specifically for printed pages. This includes a specialized pagination engine used to control page breaks, headers, and footers to create professional PDF outputs. Its capability surface covers server-side PDF rendering and the programmatic conversion

PyMuPDF is a comprehensive PDF manipulation library and document analysis tool. It serves as a text extraction tool, OCR engine, and image converter, providing a programmatic interface to edit, merge, split, and optimize PDF and Office documents. The project distinguishes itself through high-performance capabilities, including the use of C-bindings for low-level manipulation and parallelized page processing to accelerate workloads. It provides specialized conversion paths, such as transforming PDF content into Markdown for retrieval-augmented generation and large language model pipelines. It

Sphinx is an extensible documentation framework and multi-format document publisher. It serves as a technical content organizer that converts reStructuredText markup and Python source code comments into structured documentation for technical projects. The system transforms a single set of markup files into multiple output formats, including HTML, LaTeX, EPUB, and Texinfo. It functions as a Python API documentation tool, extracting documentation directly from source code to maintain synchronized technical reference manuals. The framework organizes complex information into hierarchies with aut

xmltodict هي مكتبة Python توفر تسلسلاً ثنائي الاتجاه بين مستندات XML والقواميس (dictionaries). تعمل كمحلل (parser) يحول المدخلات المرمزة إلى أزواج مفتاح-قيمة، وأداة تسلسل تحول القواميس مرة أخرى إلى مستندات XML مهيكلة. يتضمن المشروع معالج تدفق تزايدي يستخدم استدعاءات تعتمد على العمق للتعامل مع ملفات XML الكبيرة مع الحفاظ على استهلاك ثابت للذاكرة. يتميز بمدير مساحات أسماء (namespace manager) لتعيين البادئات والإعلانات، بالإضافة إلى مطهر أمني (security sanitizer) يحظر توسيع الكيانات الخارجية ويتحقق من صحة أسماء العناصر لمنع هجمات الحقن. توفر المكتبة إمكانيات لفرض أنواع البيانات، مثل إجبار عناصر معينة على أن تُمثل كقوائم بغض النظر عن عدد العناصر الفرعية. كما تدعم معالجة البيانات اللاحقة من خلال استدعاءات يحددها المستخدم، وتوفر عناصر تحكم قابلة للتكوين لتوسيع أو طي أو تخطي مساحات الأسماء أثناء عملية التحويل.

python-docx is an OOXML document manipulation library used for creating, reading, and updating Microsoft Word files. It functions as a generator for building formatted documents and a parser for extracting text, metadata, and structural elements from existing files. The project provides a comprehensive style management system for defining and applying character, paragraph, and table styles within OpenXML documents. It allows for the programmatic control of document appearance through an object-oriented approach to the underlying XML schema. Capabilities cover a wide range of document generat

Tablib is a Python library designed for importing, exporting, and manipulating tabular datasets. It functions as a multi-format data converter and manager, allowing users to move information between different file standards. The library supports data transformation across CSV, JSON, YAML, and Excel formats. It provides a programmatic interface to manage these datasets by adding rows, filtering columns, and segregating records. The system uses a common internal representation and adapter-based mapping to normalize diverse input sources. This allows for consistent reading and writing routines

Jupyter Book هو ناشر كتب حاسوبية ومولد مواقع ثابتة يقوم بتحويل دفاتر Jupyter وملفات markdown إلى كتب ويب تفاعلية ومستندات PDF بجودة النشر. يعمل كأداة توثيق قائمة على markdown تقوم بتنفيذ الكود المضمن في وقت البناء وتخزين المخرجات الناتجة للعرض الثابت. يتميز النظام بدعم منشورات البيانات التفاعلية، مما يسمح للقراء بالتفاعل مع عناصر واجهة المستخدم الحاسوبية الحية وتشغيل الدفاتر في بيئات تنفيذ بعيدة. يوسع النظام markdown القياسي بنظام من الأدوار والتوجيهات لدعم التأليف العلمي، بما في ذلك رياضيات LaTeX، وإدارة اقتباس المراجع، والمراجع التبادلية المرقمة. تغطي المنصة نطاقاً واسعاً من القدرات بما في ذلك التنسيق الأكاديمي للبراهين والنظريات، وإدارة التخطيط التفاعلي عبر لوحات قابلة للطي، والمراجع المعقدة عبر الأقسام الداخلية والمشاريع الخارجية. كما يوفر أدوات لتنظيم المحتوى من خلال هياكل الكتب الهرمية وجدول محتويات مفصول. يتضمن المشروع أدوات لتكامل استضافة الويب والتحقق من سلامة المحتوى لمسح المراجع المعطلة أثناء عملية البناء.

Camelot is a Python library and processing engine designed to extract tabular data from PDF documents. It converts unstructured tables into machine-readable formats such as CSV, JSON, and Excel. The project provides specialized toolsets for different document types, using line detection for ruled tables and whitespace analysis for borderless tables. It includes an optical character recognition system to recover structured data from image-based scanned PDFs that lack a digital text layer. The library handles complex document layouts, including encrypted files, rotated pages, and tables that s

xlwings - Make Excel fly with Python!

API Documentation for Python Projects

|build| |version| |license| |downloads|

CleverCSV is a Python package for handling messy CSV files. It provides a drop-in replacement for the builtin CSV module with improved dialect detection, and comes with a handy command line application for working with CSV files.