Awesome GitHub RepositoriesField Value Extraction

Penrose is a compiler that transforms structured mathematical notation into optimized SVG diagrams. It uses a three-stage pipeline of separate domain, substance, and style files to define mathematical objects, relationships, and visual presentation, then solves continuous optimization problems with user-defined spatial constraints and objectives to automatically arrange diagram elements. The system separates diagram content from visual style using distinct declarative languages, and provides a typed domain language with subtype hierarchies for mathematical objects. It supports embedding compi

This project is a Go client library and API wrapper for interacting with Elasticsearch clusters. It serves as a programmatic interface for managing documents, indices, and cluster health, allowing Go applications to perform search and indexing operations via the REST API. The library functions as a distributed search orchestrator, providing specialized tools for high-throughput data ingestion and cluster administration. It features a buffered bulk processor with exponential backoff retries for optimizing write performance and supports automated index lifecycle transitions and historical data

pydoll is a Chrome DevTools Protocol automation library and headless browser controller used for web data extraction and parallel browser automation. It controls Chromium-based browsers via direct WebSocket connections, allowing it to manage isolated browser contexts and tabs while bypassing the overhead and detection associated with WebDriver. The project features an anti-bot evasion framework that mimics natural human behavior, including mouse movements generated via Bezier curves and variable typing patterns. It provides specialized stealth capabilities to bypass behavioral analysis and au

chineseocr is an end-to-end deep learning pipeline for detecting and recognizing Chinese and English text in images. The project combines text region detection using YOLOv3 with sequence-based recognition via Convolutional Recurrent Neural Networks (CRNN) and dense OCR models, forming a complete optical character recognition workflow. The pipeline includes orientation detection to handle text rotated at 0, 90, 180, or 270 degrees before recognition, and supports structured field extraction from identity cards and train tickets. A multi-framework model converter enables trained models to be co

This is a Go library for reading and writing XLSX files, providing a toolkit for spreadsheet generation and data extraction. It functions as an Office Open XML parser and generator, enabling the creation of workbooks with support for styles, formulas, and metadata. The project features a data mapper that uses Go struct tags and reflection to automatically align spreadsheet rows with structured data. It also includes a validation engine for defining input constraints, such as dropdown lists and error alerts, to control user data entry. The library covers a broad range of capabilities, includi

Timber is a PHP library that integrates the Twig template engine into WordPress themes, providing an object-oriented framework for theme development. It wraps WordPress data — posts, terms, users, menus, and comments — in structured PHP classes, allowing developers to work with objects instead of raw arrays while keeping HTML markup separate from PHP logic through Twig templates. The library distinguishes itself by offering a complete set of tools for modern WordPress theme building. It includes a file-based template hierarchy with fallback chains, dynamic image manipulation with resizing, cr

imaskjs es una librería de máscara de entrada de JavaScript y gestor de entrada DOM utilizado para aplicar patrones, tipos de datos y rangos específicos a la entrada del usuario en tiempo real. Sirve como una librería de formato de datos y herramienta de validación de entrada que transforma valores de entrada sin procesar en cadenas formateadas utilizando máscaras y tuberías personalizadas. El proyecto proporciona capacidades de enmascaramiento dinámico, permitiendo que los patrones de entrada cambien o se alternen en tiempo real basándose en los caracteres que el usuario escribe. Soporta restricciones de entrada complejas incluyendo expresiones regulares, rangos numéricos, verificación basada en fechas y enumeraciones de caracteres. La librería cubre una amplia gama de tareas de procesamiento de entrada y gestión de datos, incluyendo transformaciones de pre y post-procesamiento, extracción de valores sin procesar para envío a API y la aplicación de máscaras tanto a campos de entrada HTML estándar como a elementos contenteditable.

sChandra is a document processing platform that converts images, PDFs, Word documents, spreadsheets, and other formats into structured output such as HTML, Markdown, or JSON while preserving layout. It can also extract specific data fields from invoices, contracts, or reports using user-defined JSON schemas, with citations back to source locations. The service supports form filling in PDF and image documents, document generation from Markdown, and extraction of tracked changes from Word files. The platform distinguishes itself with pipeline-based processing chains that combine multiple proces

Este proyecto es un plugin de máscara de entrada de jQuery y biblioteca utilizada para aplicar formatos específicos en campos de formulario y elementos HTML. Funciona como una herramienta de enmascaramiento y saneamiento de entrada de formulario que restringe la entrada de caracteres e inserta automáticamente delimitadores para patrones como fechas y números de teléfono. La biblioteca admite un enmascaramiento flexible a través de patrones opcionales y recursivos que se expanden o contraen según el volumen de datos ingresados. Proporciona gestión dinámica de máscaras, permitiendo que las reglas de formato se cambien o eliminen en elementos existentes sin recargar la página. La herramienta incluye capacidades para lógica de máscara personalizada y definición de patrones para controlar qué entradas alfanuméricas están permitidas. También cuenta con saneamiento de datos de entrada para eliminar caracteres que no pertenecen a la máscara antes del envío al servidor y un sistema de respaldo para reemplazar caracteres no válidos con dígitos predefinidos.

unioffice is a comprehensive document processing suite that provides a PDF document processor, an Open XML document library, a document security toolkit, and a document content extractor. It is designed to programmatically create, read, and modify Word, Excel, and PowerPoint files, as well as generate and edit PDF documents. The project is distinguished by its native language implementation of the Open XML standard, which removes native binary dependencies to simplify container deployments. It features advanced capabilities for digital document security, including hardware-based PDF signing,

Textract is a multi-format text extraction tool and parser. It provides a unified interface to extract plain text from a variety of sources, including documents, images, and audio files. The system functions as a document content parser for PDFs and spreadsheets, an image text extractor using optical character recognition, and a speech-to-text transcriber for audio recordings.

H2 es un sistema de gestión de bases de datos relacionales compatible con JDBC, escrito en Java. Funciona como una base de datos SQL embebible que puede ejecutarse directamente dentro de un proceso de aplicación para eliminar la latencia de red, o como una base de datos en memoria para almacenamiento volátil de alto rendimiento. También incluye una consola basada en web para ejecutar comandos SQL y administrar esquemas. El sistema se caracteriza por sus modos de despliegue flexibles, incluyendo un modo servidor independiente para acceso remoto TCP/IP y un modo mixto para conectividad local y remota simultánea. Cuenta con una capa de emulación de dialectos y modos de compatibilidad que permiten imitar el comportamiento y la sintaxis de otros sistemas de bases de datos. El motor proporciona un amplio conjunto de capacidades que cubren transacciones ACID con control de concurrencia multiversión, soporte para datos geoespaciales y JSON, y funciones avanzadas de ventana analítica. Incluye herramientas para la preservación de datos mediante copias de seguridad comprimidas, restauración de scripts SQL y gestión de memoria fuera del heap (off-heap) para manejar grandes datasets. La base de datos se integra con aplicaciones utilizando controladores estándar de Java Database Connectivity y URLs de conexión.

SoftwareCopyright-Skill es un generador de aplicaciones de derechos de autor de software y herramienta de documentación diseñada para automatizar la creación de materiales de registro y manuales de operación. Analiza el código fuente del proyecto local para producir documentos formateados y extractos de código fuente requeridos para registros oficiales de derechos de autor de software. El proyecto sintetiza manuales de operación de software traduciendo la lógica de negocio y las características técnicas del proyecto en texto funcional descriptivo. Utiliza la generación basada en plantillas para inyectar datos extraídos del proyecto en documentos de Word estandarizados, facilitando la creación de materiales legales de solicitud y exportaciones de cumplimiento. El sistema proporciona capacidades para el análisis de proyectos locales, muestreo de páginas de código fuente y la compilación de datos de campo de la aplicación, como números de versión y detalles del entorno. Todo el procesamiento y la generación de documentos ocurren en el sistema de archivos local para garantizar la privacidad de los datos.

Participle is a Go parser generator and toolkit for building language frontends. It provides a declarative grammar framework that uses reflection and struct tags to map input patterns directly into typed data structures. The library features a stateful lexical analyzer that employs state machines to handle nested or modal patterns. It includes a lexer code generator to produce optimized code, reducing runtime memory allocations and increasing throughput. The project covers recursive descent parsing with support for union types via sealed interfaces and custom parsing logic through interface-

Langroid is a multi-agent orchestration framework and tool integration suite designed for building complex AI applications. It serves as a multi-modal integration layer that connects diverse local and remote language models with an agentic retrieval-augmented generation system. The project distinguishes itself through a collaborative message-exchange paradigm, allowing specialized agents to delegate tasks hierarchically and coordinate via structured communication. It features an advanced state management system for conversational AI, including the ability to rewind and prune conversation hist

Hibernate Validator es una implementación de referencia de la especificación Jakarta Validation, sirviendo como un framework para imponer la integridad de datos a través de aplicaciones Java. Funciona como un motor de validación declarativo que procesa restricciones de objetos para asegurar que el estado de la aplicación permanezca consistente. Utilizando reglas basadas en metadatos, la librería valida propiedades de objetos, parámetros de métodos y colecciones anidadas para mantener estándares de datos a través de las capas de una aplicación. La librería se distingue por su capacidad para realizar análisis estático en configuraciones de validación, identificando errores estructurales antes del tiempo de ejecución. Soporta requisitos complejos de integridad de datos permitiendo a los desarrolladores definir lógica de validación personalizada e integrarse con sistemas de inyección de dependencias. El motor también cuenta con un sistema de interpolación de mensajes que proporciona reportes de error localizados, asegurando que el feedback se adapte a entornos de usuario específicos. Más allá de la validación central, el proyecto incluye utilidades de diagnóstico para benchmarking de rendimiento y perfilado de ejecución para monitorear el rendimiento y el uso de recursos. Proporciona opciones de configuración flexibles, permitiendo que las reglas se definan mediante anotaciones o descriptores externos, e incluye adaptadores especializados para extraer valores de diversas fuentes de datos.