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 es una biblioteca de Python puro para transformar, asegurar y extraer datos de documentos PDF. Proporciona un conjunto completo de herramientas para modificar layouts de página, gestionar la seguridad de documentos y recuperar metadatos incrustados sin depender de bibliotecas C externas. El toolkit permite el ensamblaje de documentos mediante la fusión de múltiples archivos y la división de documentos en partes más pequeñas. También admite transformaciones a nivel de página, incluyendo la capacidad de rotar páginas y ajustar áreas de recorte visibles. La biblioteca incluye capacidades para la gestión de seguridad mediante cifrado y descifrado basado en contraseña. Además, proporciona utilidades para extraer texto escrito y propiedades administrativas de archivos 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 es una librería de Python que proporciona serialización bidireccional entre documentos XML y diccionarios. Funciona como un analizador (parser) que convierte entradas marcadas en pares clave-valor y como una utilidad de serialización que transforma diccionarios de nuevo en documentos XML estructurados. El proyecto incluye un procesador de flujo incremental que utiliza callbacks basados en profundidad para manejar archivos XML grandes manteniendo un uso de memoria constante. Cuenta con un gestor de espacios de nombres (namespaces) para asignar prefijos y declaraciones, así como un sanitizador de seguridad que bloquea la expansión de entidades externas y valida nombres de elementos para prevenir ataques de inyección. La librería proporciona capacidades para la aplicación de tipos de datos, como forzar que elementos específicos se representen como listas independientemente del número de hijos. También admite el post-procesamiento de datos a través de callbacks definidos por el usuario y ofrece controles configurables para expandir, colapsar u omitir espacios de nombres durante el proceso de conversión.

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 es una biblioteca de Python diseñada para importar, exportar y manipular conjuntos de datos tabulares. Funciona como un convertidor y gestor de datos multiformato, permitiendo a los usuarios mover información entre diferentes estándares de archivos. La biblioteca admite la transformación de datos a través de formatos CSV, JSON, YAML y Excel. Proporciona una interfaz programática para gestionar estos conjuntos de datos añadiendo filas, filtrando columnas y segregando registros. El sistema utiliza una representación interna común y un mapeo basado en adaptadores para normalizar diversas fuentes de entrada. Esto permite rutinas de lectura y escritura consistentes en todos los formatos de archivo admitidos.

Jupyter Book es un editor de libros computacionales y generador de sitios estáticos que convierte notebooks de Jupyter y archivos markdown en libros web interactivos y documentos PDF de calidad editorial. Sirve como una herramienta de documentación basada en markdown que ejecuta código incrustado en tiempo de compilación y almacena en caché los resultados para su visualización estática. El sistema se distingue por admitir publicaciones de datos interactivas, permitiendo a los lectores interactuar con widgets computacionales en vivo y lanzar notebooks en entornos de ejecución remotos. Extiende el markdown estándar con un sistema de roles y directivas para apoyar la autoría científica, incluyendo matemáticas LaTeX, gestión de citas bibliográficas y referencias cruzadas numeradas. La plataforma cubre una amplia gama de capacidades, incluyendo formato académico para pruebas y teoremas, gestión de diseño interactivo mediante paneles plegables y referencias complejas entre secciones internas y proyectos externos. También proporciona herramientas para la organización de contenido a través de estructuras de libros jerárquicas y una tabla de contenidos desacoplada. El proyecto incluye utilidades para la integración con alojamiento web y validación de integridad de contenido para escanear referencias rotas durante el proceso de compilación.

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.