Awesome GitHub RepositoriesOptical Character Recognition

Docling is a multimodal content converter and document parser designed to transform PDFs, Office files, and HTML into structured Markdown or JSON for generative AI applications. It functions as an OCR document processor and a PDF layout analyzer that extracts tables, charts, and hierarchical structures while preserving the original page layout. The system operates as a local-first inference engine, allowing for the processing of sensitive data in air-gapped environments without external network connectivity. It can also be deployed as an API or a Model Context Protocol server to provide parsi

This project is a PDF data extraction tool and document preprocessor designed to convert PDF files into structured formats such as Markdown, JSON, and HTML. It functions as an OCR document parser for scanned files, an accessibility automator for generating PDF/UA compliant metadata, and a loader for AI orchestration frameworks like LangChain. The software distinguishes itself through specialized handling of complex document elements, including the conversion of mathematical formulas into LaTeX and the generation of natural-language descriptions for charts and images. It utilizes recursive seg

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

GOT-OCR2.0 is an end-to-end optical character recognition system and document text extractor. It utilizes a unified transformer architecture to recognize and extract plain and formatted text from diverse images and documents. The system features a multi-crop processing method that divides high-resolution or dense documents into smaller sections to maintain recognition detail. It also includes a renderer that transforms recognized text into HTML to preserve the original structure and layout of the document. The project provides a framework for fine-tuning pre-trained models on custom datasets

Paperless is a self-hosted document management system designed to digitize, index, and archive paper documents. It functions as an optical character recognition system that converts scanned images and PDFs into a searchable digital library, providing a web-based interface for querying and retrieving documents from a database. The system features an automated file ingestion pipeline that monitors specific directories and email inboxes to process and import documents without manual uploading. To maintain a private archive, it includes on-disk encryption for sensitive files and the ability to or

MisakaTranslator ist ein Echtzeit-Spielübersetzungstool, das dazu entwickelt wurde, Text aus Spielen und Manga zu extrahieren und maschinelle Übersetzungen über externe Engines bereitzustellen. Es fungiert als Textextraktor, der sowohl Memory-Hooking verwendet, um Rohtext direkt aus laufenden Prozessen abzurufen, als auch optische Zeichenerkennung (OCR), um Bilder von In-Game-Text in editierbare Strings umzuwandeln. Das Tool enthält einen Sprachsynthesizer, um übersetzte Dialoge und Sätze laut vorzulesen. Um die Genauigkeit zu wahren, nutzt es ein benutzerdefiniertes Übersetzungs-Wörterbuch, um spezialisierte Wortlisten und manuelle Phrasen-Mappings für Charakternamen und Orte zu verwalten.

Dangerzone ist ein Sicherheitstool und Content-Sanitizer, der nicht vertrauenswürdige Dateien in sichere PDFs konvertiert. Es entfernt schädliche Inhalte, indem Dokumente als Rohpixel innerhalb einer Sandbox-Umgebung gerendert und als neue PDF-Dateien neu aufgebaut werden, um ausführbare Skripte und versteckte Bedrohungen zu entfernen. Das Projekt nutzt Container-basiertes Sandboxing, um die Dateiverarbeitung vom Host-Betriebssystem zu isolieren. Es ist für die Ausführung in Air-Gapped-Umgebungen konzipiert, was es ermöglicht, den Sanitizing-Prozess auf Hardware ohne Netzwerkverbindung zu betreiben, um zu verhindern, dass Malware mit externen Servern kommuniziert. Um die Nutzbarkeit der Dokumente zu erhalten, enthält das Tool einen Prozess zur optischen Zeichenerkennung (OCR), der durchsuchbare und auswählbare Textebenen für die pixelbasierte Ausgabe wiederherstellt. Es bietet zudem Konfigurationsoptionen für die Spezifikation verschiedener Container-Runtime-Engines, um die Umgebungskompatibilität sicherzustellen.

OpenAgent ist ein autonomes KI-Agenten-Framework, das darauf ausgelegt ist, Sprachmodelle und abgerufenen Kontext zu orchestrieren, um komplexe Benutzerziele auszuführen. Es fungiert als Plattform zum Aufbau autonomer Agenten, die iterative Schleifen nutzen, um Tools auszuwählen und Informationen zu verarbeiten. Das Projekt bietet ein Multi-Modell-Gateway, das verschiedene Anbieter von Large Language Models abstrahiert, sodass Benutzer während einer Konversation zwischen Modellen wechseln können, ohne den Code zu ändern. Es enthält zudem ein RAG-Wissensdatenbanksystem, das Dokumente einliest und Embeddings generiert, um während der Inferenz semantischen Kontext bereitzustellen. Das System bietet ein visuelles Workflow-Automatisierungstool mit einem Drag-and-Drop-Editor zum Erstellen mehrstufiger Pipelines mit bedingter Verzweigung. Die operativen Fähigkeiten decken Browser- und Betriebssystemautomatisierung ab, einschließlich der Ausführung von Shell-Befehlen, Office-Dokumentenverarbeitung und optischer Zeichenerkennung (OCR). Die Anwendung unterstützt containerisierte Bereitstellung und kann in ein einzelnes Binary mit gebündelten statischen Assets kompiliert werden, einschließlich Unterstützung für RISC-V 64-Bit-Hardwareplattformen.

This project is a Python web scraping tutorial and framework designed for building automated data extraction tools and web crawlers. It provides a structured approach to navigating websites and persisting scraped data to databases. The project includes a toolset for web API analysis, focusing on reverse engineering obfuscated API requests and inspecting network traffic to extract structured data. It also covers optical character recognition workflows to convert visual text within images into machine-readable strings. The framework covers capabilities for headless browser automation to handle

BallonsTranslator is a software suite designed for extracting, translating, and replacing text within comic panels while preserving the original visual layout. It functions as an image translation tool that combines text region detection, optical character recognition, and deep learning inpainting to automate the localization of comics. The tool features a deep learning image inpainter that removes original text and restores backgrounds using generative neural networks and patch-matching algorithms. It also includes a rich-text translation editor for modifying translated dialogue with support

pdfsam ist eine PDF-Manipulationssoftware und Desktop-Anwendung, die zum Teilen, Zusammenführen, Drehen und Extrahieren von Seiten aus PDF-Dokumenten entwickelt wurde. Sie fungiert als PDF-Editor, Konverter und Sicherheitstool und bietet Funktionen zur Änderung von Dokumentstrukturen und zur Verwaltung von Dateiformaten. Das Projekt zeichnet sich durch spezialisierte Verarbeitungsfunktionen aus, darunter einen OCR-Dokumentprozessor zum Extrahieren editierbarer Texte aus gescannten Bildern und PDF-Interleaving zum Abwechseln von Seiten aus mehreren Dateien. Es bietet zudem eine Sicherheitssuite zum Verschlüsseln von Dokumenten, zum Verwalten von Zugriffsberechtigungen und zum Anwenden digitaler Signaturen. Die Software deckt ein breites Spektrum an Dokumentoptimierungs- und Bearbeitungsaufgaben ab, wie z. B. Seitenorganisation, direkte Inhaltsbearbeitung, Erstellung ausfüllbarer Formulare und PDF-Komprimierung. Sie enthält zudem Tools für Seitendrehung, Zuschneiden, Graustufenkonvertierung sowie das Einfügen von Anmerkungen und Hyperlinks. Die Anwendung basiert auf einer Java-basierten Desktop-Laufzeitumgebung.

NAPS2 is a suite of document scanning software consisting of a desktop application, a command-line interface tool, and a networked scanner server. It serves as an interface for capturing images from scanners via TWAIN and WIA drivers, organizing those captures into digital documents, and exporting them to various file formats. The project distinguishes itself by providing a networked scanner server that shares local hardware across a network for remote image capture. It also includes a command-line tool for automating document capture and image processing workflows through scripts and termina

Tika is a content analysis toolkit and Java library designed for detecting and extracting metadata and text from thousands of different file types. It functions as a universal document text extractor and metadata extraction engine, converting complex files into plain text or XHTML. The system employs a specialized MIME type detector that identifies document formats using magic bytes and metadata to determine the correct parser. It serves as an OCR integration gateway, connecting to external text recognition tools to extract content from image files. The project covers a broad range of extrac

Pdfcraft is a containerized service for self-managed PDF processing, editing, and conversion. It provides a toolkit for document manipulation, a multi-format converter, and OCR software to transform scanned documents into searchable and editable text. The project features a visual, node-based workflow editor that allows users to build automated pipelines by chaining together various PDF conversion and optimization operations. The service covers a broad range of capabilities, including document management for merging and splitting files, format conversion between PDFs and office documents or

LLPlayer is a language learning media player and AI subtitle generator that integrates large language models for real-time audio transcription and translation. It functions as an LLM-integrated video player and SRT transcription tool, utilizing local or remote AI models to generate text subtitles from audio and video streams. The project distinguishes itself through a contextual translation workflow that sends preceding subtitle lines to language models to maintain conversational flow and sentence structure. It also includes an optical character recognition system to convert bitmap-based subt

Dieses Projekt ist eine terminalbasierte OCR-Engine (Optical Character Recognition), die neuronale Netze nutzt, um Text und räumliche Layout-Daten aus Bildern zu extrahieren. Sie fungiert sowohl als CLI-Utility für automatisierte Textverarbeitung als auch als Bibliothek zur Integration von Machine-Learning-gestützter Erkennung in breitere Workflows. Die Engine zeichnet sich durch eine modulare Verarbeitungspipeline aus, die das Laden benutzerdefinierter Modelle und die speicherabgebildete Initialisierung von Gewichten für eine effiziente Ausführung unterstützt. Sie bewahrt die Dokumentstruktur durch die Verfolgung präziser geometrischer Koordinaten für jedes erkannte Textelement und ermöglicht die Verfeinerung der Ausgabe durch Validierungsregeln auf Zeichenebene. Das System enthält umfassende Tools für die Bildaufnahme, einschließlich direktem Import aus System-Clipboards und Browser-Inhalten. Es bietet Diagnosefunktionen durch die Generierung visueller Overlays und Zwischenverarbeitungs-Artefakte, um die Erkennungsgenauigkeit zu verifizieren und die Pipeline-Performance zu beheben. Die Software wird als statische Binärdatei verteilt, um Portabilität über Umgebungen hinweg ohne externe Abhängigkeiten zu gewährleisten.