Awesome GitHub RepositoriesMessage Object Models

SwiftMailer is an object-oriented PHP email delivery library used to compose and send email messages within applications. It represents emails as structured objects to manage headers, bodies, and attachments before they are serialized for transmission. The library utilizes a transport-based routing system to decouple message composition from delivery. This allows emails to be routed through different mechanisms, including authenticated SMTP connections to remote mail servers or local server binaries via Sendmail integration.

Airweave is a unified AI knowledge base platform that syncs data from external APIs into a searchable layer for retrieval-augmented generation. It provides a pre-built data connector library and a framework for building custom connectors, enabling the extraction, transformation, and synchronization of structured and unstructured data from SaaS applications. The platform includes a hybrid vector retrieval system that combines semantic, neural, and keyword search strategies to deliver grounded context for AI agents. The platform distinguishes itself through an agentic search engine that iterati

attrs is a Python library that automatically generates initialization, representation, equality, hashing, and ordering methods from declarative class attribute definitions. At its core, it provides a class decorator metaprogramming framework that intercepts class creation to rewrite the class body, producing dunder methods without manual boilerplate. The library includes a comprehensive attribute validation toolkit with built-in validators for type checks, range constraints, regex matching, length limits, and logical composition of validation rules. The library distinguishes itself through it

pdfminer is a Python library for parsing PDF files to extract text, analyze layouts, decrypt content, and convert documents into HTML or XML formats. It functions as a text extraction engine and layout analysis tool designed to retrieve characters and words while preserving the structural organization of the original document. The project provides utilities for converting PDF content into structured HTML or XML to maintain visual layout and a decryption tool for unlocking restricted documents using encryption keys. It identifies the positions and groupings of text elements to reconstruct page

Grobid ist ein Machine-Learning-System, das darauf ausgelegt ist, akademische und wissenschaftliche PDF-Publikationen in strukturiertes XML umzuwandeln. Es fungiert als PDF-zu-XML-Parser und Extraktor für wissenschaftliche Metadaten, der Titel, Autoren, Zugehörigkeiten und bibliografische Referenzen aus Forschungspapieren identifiziert und normalisiert. Das System nutzt einen Deep-Learning-Dokumentensegmentierer, um rohe PDFs in funktionale Regionen zu unterteilen, und verwendet einen bibliografischen Referenz-Resolver, um Zitate mit externen Registern für die Metadatenanreicherung und DOI-Auflösung abzugleichen. Es unterstützt eine vollständige Machine-Learning-Modell-Trainingspipeline, die die Generierung annotierter Trainingskorpora, das Nachtrainieren von Modellen und den Export von Modell-Binärdateien ermöglicht. Das Projekt deckt ein breites Spektrum an Extraktionsfunktionen ab, einschließlich Dokument-Header-Parsing, Strukturierung des Volltextkörpers und Identifizierung domänenspezifischer Entitäten wie Finanzierungsinformationen und Patentzitate. Es bietet zudem räumliche Analysetools für die Extraktion von Bounding-Boxen und Koordinaten-Mapping, um semantische Labels mit dem ursprünglichen PDF-Layout zu synchronisieren. Die Anwendung kann über containerisierte Images bereitgestellt werden und enthält Kommandozeilen-Utilities für das Multi-Threaded-Batch-Processing großer Dokumentensammlungen.

Jbuilder ist eine JSON-Template-Engine und ein Builder für Ruby, der eine domänenspezifische Sprache (DSL) zur Generierung strukturierter JSON-Objekte bereitstellt. Er dient als View-Helper, um Daten mithilfe von Logik, Bedingungen und Schleifen in das JSON-Format zu transformieren. Das Projekt ermöglicht die Konstruktion komplexer Datenstrukturen durch die Verwendung von Partials und verschachtelten Objekten, um die Modularität zu wahren. Es enthält Funktionen für die Laufzeit-Key-Transformation, wodurch Attribut-Keys zwischen verschiedenen Namenskonventionen wie Snake Case und Camel Case konvertiert werden können. Das System unterstützt dynamische JSON-Strukturierung mit der Möglichkeit, Keys zur Laufzeit zu definieren und die Ausgabe von Null-Werten zu steuern. Es bietet zudem einen Mechanismus zum Caching gerenderter JSON-Fragmente, um wiederholte Verarbeitungsschritte zu reduzieren.