Awesome GitHub RepositoriesData Extraction Visualizers

Parsr est un extracteur de données non structurées et un pipeline de parsing de documents qui convertit les fichiers bruts et les images en formats nettoyés et lisibles par machine. Il fonctionne comme un analyseur de mise en page de documents et un pipeline pour extraire des données structurées et des étiquettes en utilisant des grands modèles de langage. Le système inclut un visualiseur de parsing de documents, fournissant une interface graphique pour télécharger des documents et inspecter la sortie de données structurées résultante. Le projet couvre les workflows de numérisation de documents, incluant l'analyse de mise en page pour détecter les titres, tableaux et listes, et la saisie de données automatisée via le nettoyage et l'enrichissement de contenu non structuré.

Sparrow est une plateforme d'extraction de documents par LLM et un moteur d'inférence basé sur la vision, conçu pour convertir des images et des PDF en données structurées validées. Il fonctionne comme un orchestrateur de workflow agentique qui enchaîne des tâches de classification, d'extraction et de validation dans des pipelines multi-étapes. Le système se distingue par une couche d'inférence agnostique au backend qui gère les modèles sur des GPU locaux, Apple Silicon et des fournisseurs cloud. Il utilise le "visual grounding" basé sur les coordonnées pour mapper le texte extrait à des boîtes englobantes précises et utilise un guidage par indices pour orienter l'attention et normaliser les formats de données. La plateforme couvre les workflows d'intelligence documentaire, incluant le traitement spécialisé d'images de tableaux pour maintenir l'intégrité structurelle et une validation basée sur des schémas pour vérifier l'exactitude des champs extraits. Elle fournit également un tableau de bord d'analyse documentaire pour surveiller les performances de l'API, les statistiques d'utilisation et l'état du système. L'architecture inclut un système d'extension par plugins pour intégrer des bibliothèques tierces utilisées dans l'indexation et l'orchestration.