deepdoctection
文档 AI 分析工具库，支持文档图像分析、版面分析、OCR 识别和文档理解，适用于 RAG 系统的文档预处理环节。
🎯适用场景：RAG 系统中文档的版面分析、OCR 识别和信息抽取
📥 收录于 2026/6/3
📊 仓库数据
✅ 优点
- •一站式文档分析
- •支持多种文档格式
- •适用于 RAG 预处理
⚠️ 限制
- •配置较为复杂
- •对扫描件效果有限
- •维护活跃度一般
🔗 相关工具
unstract
github.com/Zipstack/unstract
LLM 驱动的非结构化数据提取工具，面向 API 部署和 ETL 管道工作流。支持从 PDF、发票、合同等文档中自动提取结构化数据，适合企业级文档处理场景。6.6K+ stars。
🎯企业文档自动处理、发票/合同信息提取、RAG 数据管道构建
Retain Pdf
github.com/wxyhgk/retain-pdf
在保留版面、公式与结构的前提下进行 PDF 翻译，适用于科研论文与技术文档的高质量翻译场景
🎯科研论文翻译、技术文档本地化、PDF 格式保留翻译
Api Llm Ocr
github.com/yigitkonur/api-llm-ocr
API LLM OCR 是基于视觉大语言模型的 PDF 转 Markdown 工具，支持表格、排版和文档结构的保真提取。基于 FastAPI 构建，提供简单易用的 API 接口。
🎯PDF 文档数字化、表格提取、学术论文转换
MarkItDown
github.com/microsoft/markitdown
微软开源的通用文件转 Markdown 工具，支持 PDF、Word、PPT、Excel、HTML、音频、图片 OCR 等数十种格式转换，专为 LLM 和 RAG 数据预处理设计，插件系统可扩展，MIT 协议
🎯多模态内容理解与生成
Supabase
github.com/supabase/supabase
Postgres 开发平台，101,199+ stars。开源 Firebase 替代方案，内置向量数据库支持 pgvector，是构建 AI 应用（RAG、Agent）的理想后端基础设施。提供实时数据库、认证、存储、Edge Functions 等全栈能力。
🎯LLM 应用快速开发
China Textbook
github.com/TapXWorld/ChinaTextbook
收录所有小初高、大学 PDF 教材（GitHub 69k 星），覆盖中国完整教育体系，是 AI 教育应用和知识库构建的重要数据源
🎯中文 PDF 教材数据集、教育领域知识库构建
