Awesome GitHub RepositoriesData Table Parsing

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

PaddleX is a PaddlePaddle-based framework for building, deploying, and fine-tuning AI model pipelines, with pre-built support for computer vision, OCR, document analysis, and time series tasks. It offers a toolkit of ready-to-use pipelines for image classification, object detection, segmentation, and pose estimation, alongside an end-to-end OCR document analysis pipeline that extracts text, tables, formulas, and layout information. The platform also includes a dedicated time series forecasting pipeline for analyzing historical data to detect anomalies, classify patterns, and predict future val

Codeception es un framework de testing full-stack para aplicaciones PHP que proporciona una interfaz unificada para pruebas unitarias, funcionales y de aceptación. Sirve como herramienta para automatizar navegadores reales de escritorio y móviles mediante el protocolo WebDriver y actúa como cliente para probar APIs REST y SOAP. El framework se distingue por su soporte para Behavior-Driven Development (BDD), permitiendo a los usuarios escribir especificaciones de prueba legibles por humanos en lenguaje Gherkin para alinear las pruebas técnicas con los requisitos de negocio. Implementa un mapeo de acciones basado en actores para conectar estos pasos en lenguaje natural con métodos ejecutables de PHP. Sus capacidades cubren una amplia superficie, incluyendo verificación y gestión del estado de la base de datos para almacenes SQL y NoSQL, la simulación de flujos de trabajo de usuario mediante automatización de navegador y la validación de estructuras de datos de API utilizando JSON y XML. También proporciona herramientas para medir la cobertura de código y gestionar ciclos de vida de pruebas mediante inyección de dependencias y manipulación de contenedores de servicios. El proyecto incluye un proceso de instalación guiado por línea de comandos para generar boilerplates de prueba y archivos de configuración estandarizados.

Behat es un framework de desarrollo guiado por comportamiento (BDD) y herramienta de automatización de pruebas para PHP. Funciona como un ejecutor de pruebas Gherkin que mapea archivos de características en lenguaje natural a métodos PHP ejecutables para verificar que la implementación del software se alinea con los requisitos de negocio. El framework permite la definición del comportamiento de la aplicación utilizando un formato estructurado y legible por humanos basado en historias de usuario, soportando palabras clave localizadas para partes interesadas que no hablan inglés. Se distingue por una capa de simulación de navegador basada en drivers para la verificación de la interfaz de usuario e integraciones especializadas para el kernel de Symfony y flujos de trabajo de Drupal. El conjunto de herramientas cubre una amplia gama de capacidades, incluyendo pruebas de regresión automatizadas, automatización de navegadores web y manejo complejo de datos mediante transformaciones de tablas. Proporciona una interfaz de línea de comandos para la ejecución de pruebas, hooks de ciclo de vida para configuración y limpieza, y un sistema de plugins para extender la funcionalidad principal con herramientas de terceros. Los resultados de la ejecución están disponibles en múltiples formatos, incluyendo texto legible por humanos, JSON y JUnit XML.