Awesome GitHub RepositoriesCommand-Line Document Processors

Tesseract is a neural network-based optical character recognition engine designed to convert scanned images and digital documents into machine-readable, searchable text. It functions as both a command-line utility for automating large-scale digitization workflows and a cross-platform library that can be embedded into desktop, mobile, or server-side applications. By utilizing long short-term memory networks, the engine provides robust text extraction across more than one hundred languages and dozens of scripts. The project distinguishes itself through a sophisticated document layout analysis f

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

SumatraPDF is a lightweight, multi-format document viewer designed for rendering PDF, eBook, and comic book files within a unified interface. It functions as both a graphical reading environment and a command-line document processor, enabling users to automate file conversion, merging, and extraction tasks without requiring a graphical interface. The application distinguishes itself through a single-executable binary distribution that utilizes direct-to-GDI rendering and memory-mapped file access to maintain high performance and minimal memory overhead. Users can personalize their workspace b

A fast, helpful, and open-source document parser

DocTR is a deep learning OCR library built on PyTorch that detects and transcribes text in document images using a two-stage detection-recognition pipeline. It provides a complete framework for building and deploying OCR pipelines with pretrained models available through the Hugging Face Hub, and supports exporting trained models to ONNX format for cross-runtime deployment. The library offers end-to-end OCR pipelines that combine text detection and recognition to extract all text from document images or PDFs, with support for rotated page handling and varied text orientations. It includes cap

WriteGPT es un sistema de automatización de ensayos de extremo a extremo que combina reconocimiento visual y generación de texto automatizada para convertir imágenes en documentos digitales terminados. Funciona como un generador de texto creativo y procesador de documentos, utilizando modelos de lenguaje para producir contenido escrito de formato largo y ensayos. El sistema integra un evaluador de fluidez de texto neuronal para puntuar la calidad lingüística y la naturalidad de la prosa generada. También incluye un resumidor de texto basado en transformers para condensar documentos largos en resúmenes concisos. El proyecto proporciona un pipeline para el reconocimiento óptico de caracteres que detecta texto de cualquier orientación dentro de las imágenes y lo convierte en caracteres legibles por máquina. Además, admite la digitalización automatizada de documentos organizando el contenido generado en diseños estructurales, como títulos y párrafos, basados en patrones de escritura estadísticos.

Asciidoctor es un motor de procesamiento de texto basado en Ruby y una cadena de herramientas de línea de comandos diseñada para convertir contenido AsciiDoc en formatos de publicación estructurados, incluyendo HTML5 y DocBook 5. Funciona como una cadena de herramientas de publicación de contenido estático que transforma archivos fuente sin procesar en documentos formateados. El sistema utiliza una interfaz de convertidor conectable y salida basada en plantillas, permitiendo que la lógica de conversión predeterminada sea anulada mediante convertidores o plantillas personalizadas. Esto permite la generación de estructuras de documentos específicas y la exportación de contenido a varios formatos de publicación para diversos canales de distribución. La cadena de herramientas cubre una amplia gama de capacidades, incluyendo la conversión programática de contenido a través de una interfaz de desarrollador, el procesamiento por lotes mediante una interfaz de terminal y la generación y minificación de hojas de estilo para salida HTML. Analiza el texto sin procesar en un modelo de documento interno antes de traducirlo al formato final.

pdfsam es un software de manipulación de PDF y aplicación de escritorio diseñada para dividir, fusionar, rotar y extraer páginas de documentos PDF. Funciona como un editor de PDF, convertidor y herramienta de seguridad, proporcionando capacidades para modificar estructuras de documentos y gestionar formatos de archivo. El proyecto se distingue por capacidades de procesamiento especializadas, incluyendo un procesador de documentos OCR para extraer texto editable de imágenes escaneadas y el intercalado de PDF para alternar páginas de múltiples archivos. También proporciona una suite de seguridad para cifrar documentos, gestionar permisos de acceso y aplicar firmas digitales. El software cubre un amplio rango de tareas de optimización y edición de documentos, como organización de páginas, edición directa de contenido, creación de formularios rellenables y compresión de PDF. También incluye herramientas para rotación de páginas, recorte, conversión a escala de grises e inserción de anotaciones e hipervínculos. La aplicación está construida como un runtime de escritorio basado en Java.

This project is a Python library and command-line tool designed to convert Markdown text and files into structured HTML fragments. It functions as a Markdown-to-HTML converter and parser that transforms piped text or source files into web-ready documents. The project is an extensible text processor featuring a pluggable API for defining custom inline and block syntax. This modular framework allows for the registration of specialized syntax extensions, such as tables and footnotes, and provides a system for managing runtime configuration settings. The conversion process covers multilingual te

pdf2docx is a suite of PDF utilities designed to transform static PDF documents into editable DOCX files. It functions as a multi-core processor capable of accelerating the conversion of large files by distributing page tasks across multiple CPU cores. The project includes specialized tools for decrypting password-protected PDF files and extracting tabular content as structured data. It also provides a layout analyzer to visually inspect and verify document structure during the conversion process. Conversion is accessible through both a graphical user interface and a command-line interface,

python-docx-template is a template engine for generating Microsoft Word documents by merging .docx files with data contexts using a logic-based markup syntax. It functions as a document automator that injects variables, images, and sub-documents into Word files while maintaining the original styling. The project uses a rendering system based on Jinja2 to apply template logic and filters to Office Open XML files. It allows for the creation of custom template filters to transform data during the rendering phase and includes a command line interface for producing documents by passing a template

Markdown Resume is a command-line utility designed to transform structured text files into professional, responsive web pages and portable documents. It functions as a static site generator that separates content from presentation, allowing users to maintain version-controlled resumes through a template-driven build system. The project distinguishes itself by providing a containerized execution environment that ensures consistent document output across different host systems. It supports rapid design iteration through a live preview feature that monitors source files and triggers automatic re