Awesome GitHub RepositoriesPDF Processing

Stirling-PDF is a self-hosted document processing suite designed for secure, private file management. It functions as a comprehensive transformation engine that executes complex operations—such as merging, splitting, converting, and redacting documents—directly on the host machine. The platform provides both a browser-based interface for interactive editing and a programmatic, API-first architecture that allows for the automation of document workflows through standard HTTP requests. The project distinguishes itself through its focus on private, infrastructure-agnostic deployment and granular

This project is a framework for building custom AI chatbots capable of PDF document analysis. It implements Retrieval Augmented Generation to connect a large language model to private document data. The system utilizes graph-based agent orchestration to control conversation flow and decision logic. It maintains context across interactions through thread-based state management and delivers AI responses to the user interface via real-time streaming. The project covers PDF document ingestion through chunk-based processing and vector-store retrieval. It includes mechanisms for query-based data r

llm-universe is a structured learning resource and technical guide focused on the development of large language model applications. It serves as a curriculum for mastering model orchestration, the creation of autonomous conversational agents, and the implementation of retrieval-augmented generation systems. The project provides detailed instructions on connecting model APIs with memory and tools to create execution chains. It specifically covers the construction of retrieval pipelines, including the process of cleaning raw documents, generating embeddings, and integrating vector databases to

Remark este un procesor de markdown care parsează textul markdown într-un arbore de sintaxă abstractă (AST) JSON structurat pentru analiză și transformare programatică. Funcționează ca un parser și procesor de AST markdown, utilizând un framework de plugin-uri pentru a gestiona sintaxa extensibilă și regulile de transformare. Proiectul permite extensii de sintaxă markdown personalizate și transformarea conținutului printr-un sistem de plugin-uri, permițând adăugarea de markup non-standard și metadate. Include, de asemenea, un linter de markdown pentru a identifica inconsistențele de stil și a asigura respectarea standardelor de scriere. Setul de instrumente acoperă formatarea documentelor markdown, conversia în HTML și generarea de AST. Este furnizată o interfață CLI pentru a verifica și rescrie fișierele markdown pentru o formatare consistentă la nivelul întregului proiect.

Kreuzberg is a document extraction engine that converts PDFs, Office files, images, and over 90 other formats into clean, structured text and metadata. It is built around a compiled Rust core that can be used as a native library, a command-line tool, a REST API server, or a WebAssembly module for browser-based processing. The system is designed to run entirely on self-hosted infrastructure, with no data leaving the user's environment. What distinguishes Kreuzberg is its breadth of integration surfaces and its pipeline architecture. It exposes extraction capabilities through native bindings fo

Hatchet is an open-source durable workflow engine and task orchestration platform. It provides a framework for building and executing fault-tolerant, multi-step pipelines as directed acyclic graphs (DAGs), with automatic retries, scheduling, and real-time observability. The system is built around durable task checkpointing, which persists execution state after each step so work can resume from the last checkpoint after a worker crash or restart, and it supports event-driven task resumption that pauses a task until a matching external event arrives. The platform distinguishes itself through it

Sparrow este o platformă LLM pentru extracția documentelor și un motor de inferență bazat pe viziune, conceput pentru a converti imagini și PDF-uri în date structurate validate. Funcționează ca un orchestrator de fluxuri de lucru agentice care înlănțuie sarcini de clasificare, extracție și validare în pipeline-uri multi-etapă. Sistemul se distinge printr-un strat de inferență agnostic față de backend, care gestionează modele pe GPU-uri locale, Apple Silicon și furnizori cloud. Utilizează grounding vizual bazat pe coordonate pentru a mapa textul extras la coordonate precise de tip bounding box și folosește direcționarea modelelor bazată pe indicii pentru a ghida atenția și a normaliza formatele de date. Platforma acoperă fluxuri de lucru de inteligență documentară, inclusiv procesarea specializată a tabelelor bazată pe imagini pentru a menține integritatea structurală și validarea bazată pe schemă pentru a verifica corectitudinea câmpurilor extrase. Oferă, de asemenea, un dashboard de analiză a documentelor pentru monitorizarea performanței API-ului, a analizei de utilizare și a stării sistemului. Arhitectura include un sistem de extensie bazat pe plugin-uri pentru integrarea bibliotecilor terțe utilizate în indexare și orchestrare.

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

PDF-Guru este un procesor de documente și convertor de materiale de studiu bazat pe AI, conceput pentru a transforma manuale, lucrări de cercetare și conținut multimedia în flashcard-uri structurate pentru sisteme de repetiție spațiată precum Anki. Acesta funcționează ca un pipeline de conținut care utilizează modele de limbaj pentru a extrage concepte și fapte cheie din documente nestructurate, pentru a genera perechi întrebare-răspuns, cloze deletions și carduri cu alegere multiplă. Sistemul se distinge printr-o suită cuprinzătoare de gestionare PDF și parsare multi-format. Oferă utilitare avansate pentru documente, inclusiv OCR pentru crearea de PDF-uri căutabile, adnotare în lot și manipularea paginilor la nivel scăzut, cum ar fi îmbinarea, divizarea, decuparea și rotirea. De asemenea, suportă conversia unor intrări diverse, inclusiv foi de calcul, hărți mentale, e-book-uri și videoclipuri — complet cu capturi de cadre cu marcaj temporal — în active de studiu. Dincolo de generarea de conținut, proiectul include instrumente pentru gestionarea cardurilor și a pachetelor, cum ar fi editarea în masă a câmpurilor și configurarea șabloanelor. Suportă sincronizarea datelor între dispozitive prin rețele locale, servere la distanță sau backend-uri auto-găzduite și se integrează cu bibliotecile de cercetare Zotero. Platforma gestionează, de asemenea, optimizarea activelor prin înlocuirea imaginilor încorporate cu link-uri cloud pentru a reduce timpul de stocare și sincronizare. Utilizatorii pot exporta notele de lectură și pachetele de carduri în mai multe formate, inclusiv Markdown, TXT, XLSX și PDF.