Awesome GitHub RepositoriesStructured Data Extractors

Firecrawl is a headless browser automation tool and web crawling engine designed to extract structured data from the web. It functions as an API that transforms raw website content and documents into clean markdown and JSON formats to serve as context for large language models. The project distinguishes itself by using natural language prompts to translate human instructions into targeted data extraction tasks and browser actions. It can execute interactive page navigation, such as clicking and scrolling, and perform automated web research to retrieve structured data without manual interventi

MinerU is a document parsing pipeline designed to transform unstructured files into machine-readable, structured data. It utilizes deep learning models to perform layout analysis, identifying document regions and extracting complex content such as mathematical expressions. By combining these neural network inferences with geometric heuristics, the system reconstructs the reading order and structural hierarchy of documents to ensure accurate data representation. The project distinguishes itself through a multi-stage processing workflow that integrates layout detection, optical character recogn

Docling is a modular framework designed for document parsing, layout analysis, and structured data extraction. It transforms unstructured files and web content into a unified, hierarchical data model that preserves the spatial and semantic relationships between text, tables, images, and layout elements. By normalizing diverse input formats into a consistent internal representation, the library enables uniform processing across various document types. The project distinguishes itself through a schema-driven approach that maps document regions to strongly-typed objects, ensuring data accuracy t

Guardrails is a Python SDK that wraps calls to large language models with configurable validation pipelines, corrective actions, and structured output generation. It provides a unified API layer that connects to over 100 language models, applying consistent validation, streaming, and error-handling across providers. The framework validates and corrects model responses against safety and quality rules, detecting and mitigating risks in both inputs and outputs using pre-built and custom validators. The project distinguishes itself through a validator-pipeline architecture that sequentially appl

X-ray एक हेडलेस ब्राउज़र वेब स्क्रैपर और HTML कंटेंट क्रॉलर है जिसे वेबसाइटों से स्ट्रक्चर्ड डेटा निकालने के लिए डिज़ाइन किया गया है। यह एक स्ट्रीम-बेस्ड डेटा स्क्रैपर और स्ट्रक्चर्ड डेटा एक्सट्रैक्टर के रूप में काम करता है, जो HTML से टेक्स्ट और एट्रिब्यूट्स को नेस्टेड ऑब्जेक्ट्स या एरेज़ के रूप में प्राप्त करने के लिए सिलेक्टर्स का उपयोग करता है। इस प्रोजेक्ट में कॉनकरेंसी लिमिट्स, थ्रोटल्स और टाइमआउट्स के माध्यम से नेटवर्क ट्रैफिक को मैनेज करने के लिए एक रिक्वेस्ट रेट कंट्रोलर शामिल है। यह हेडलेस ब्राउज़र के माध्यम से JavaScript को रेंडर करके डायनामिक वेबसाइट स्क्रैपिंग को संभालता है और ब्रेड्थ-फर्स्ट लिंक फॉलोइंग व पेजिनेशन मैनेजमेंट का उपयोग करके स्वचालित वेबसाइट क्रॉलिंग करता है।

यह प्रोजेक्ट एक Node.js वेब स्क्रैपिंग फ्रेमवर्क है जिसे रिक्वेस्ट, पार्सिंग और डॉक्यूमेंट इंटरैक्शन के प्रोग्रामेटिक वर्कफ़्लो के माध्यम से डेटा निष्कर्षण को स्वचालित करने के लिए डिज़ाइन किया गया है। यह एक हेडलेस वेब क्रॉलर, एक HTTP रिक्वेस्ट मैनेजर, और एक DOM पार्सर और एक्सट्रैक्टर के रूप में कार्य करता है। फ्रेमवर्क डायनामिक सामग्री के साथ बातचीत करने के लिए एक JavaScript निष्पादन इंजन और CSS और XPath सिलेक्टर्स दोनों का उपयोग करने वाले एक हाइब्रिड चयन प्रणाली को जोड़कर खुद को अलग करता है। इसमें प्रमाणित स्थितियों को बनाए रखने और स्वचालित ट्रैफिक को प्रबंधित करने के लिए प्रॉक्सी रोटेशन और कुकी-जार सत्र प्रबंधन के लिए विशेष मिडलवेयर शामिल है। इसकी व्यापक क्षमताओं में रिकर्सिव लिंक क्रॉलिंग, पेजिनेशन हैंडलिंग और वेब फॉर्म ऑटोमेशन शामिल हैं। टूल ट्रैफिक प्रबंधन सुविधाएं भी प्रदान करता है जैसे कि समयबद्ध देरी के माध्यम से रिक्वेस्ट रेट लिमिटिंग और कस्टम HTTP हेडर कॉन्फ़िगरेशन।

Jodd, एप्लिकेशन कॉन्फ़िगरेशन, डेटाबेस मैपिंग, डिपेंडेंसी इंजेक्शन और HTML पार्सिंग के लिए डिज़ाइन किए गए हल्के Java एक्सटेंशन और मानक लाइब्रेरी उपयोगिताओं का एक सूट है। यह Java विकास को सुविधाजनक बनाने के लिए उपकरणों का एक समेकित सेट प्रदान करता है, जिसमें वातावरण भर में संगतता और कम फुटप्रिंट सुनिश्चित करने के लिए ज़ीरो-डिपेंडेंसी कोर है। इस प्रोजेक्ट में ऑब्जेक्ट लाइफसाइकिल को प्रबंधित करने के लिए एक व्यावहारिक डिपेंडेंसी इंजेक्शन कंटेनर और एक डेटाबेस मैपर है जो परिणाम सेट को सीधे Java ऑब्जेक्ट्स में मैप करने के लिए SQL टेम्पलेट्स का उपयोग करता है। इसमें प्रोफ़ाइल, सेक्शन और मैक्रोज़ का समर्थन करने वाला एक विशेष कॉन्फ़िगरेशन मैनेजर, और CSS3 सिलेक्टर्स का उपयोग करके तत्वों को निकालने वाला एक HTML पार्सर शामिल है। अतिरिक्त क्षमताओं में हल्के HTTP क्लाइंट, JSON सीरियलाइज़ेशन, और ईमेल ट्रांसमिशन और पुनर्प्राप्ति के माध्यम से नेटवर्क संचार शामिल है। टूलकिट डेटा सत्यापन, प्रकार रूपांतरण, ट्रांजेक्शन प्रबंधन और व्यवहार संबंधी अवरोधन के लिए गतिशील प्रॉक्सी के निर्माण के लिए उपयोगिताएं भी प्रदान करती है।

Epicenter is a local-first knowledge management system and data orchestrator designed to structure information generated by large language models into validated schemas. It functions as a storage architecture that persists application data in human-readable files and databases to ensure user ownership and portability. The system distinguishes itself by projecting language model outputs into structured, schema-validated tables and utilizing conflict-free replicated data types to synchronize application state across multiple devices without a central server. This allows for offline access and c