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。
🎯适用场景：企业文档自动处理、发票/合同信息提取、RAG 数据管道构建
📥 收录于 2026/6/3
📊 仓库数据
📈 Stars 变化 ↑1 天 +1· 统计区间 7/17 20:11 → 7/18 23:22（1 天）
✅ 优点
- •LLM 驱动提取精度高
- •支持多种文档格式
- •API 部署方便集成
⚠️ 限制
- •复杂文档提取需调优
- •依赖 LLM API 成本
- •自定义提取规则学习成本高
🔗 相关工具
Cocoindex
github.com/cocoindex-io/cocoindex
面向长周期 AI Agent 的增量计算引擎，支持状态管理和增量数据处理，是构建长期运行 Agent 基础设施的核心组件。
🎯数据采集与 ETL 处理
deepdoctection
github.com/deepdoctection/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。
🎯RAG 系统中文档的版面分析、OCR 识别和信息抽取
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
