Hacker News Front Page · beatrizalmeidaf ·
beatrizalmeidaf/papero-pdf-text-extractor: Fast, open-source PDF text extraction API. Files never stored.
Papero es una API de extracción de texto en PDF que reconstruye la estructura del documento: orden de lectura, tablas, fórmulas y posiciones de bloques, exportando a Markdown, JSON, Word y Excel. Funciona sin modelos de aprendizaje automático, únicamente con geometría, y se ejecuta en el navegador, Python o como servicio REST. Incluye compatibilidad con OCR para documentos escaneados y soporte para DOCX, PPTX, XLSX y EPUB mediante Apache Tika, con benchmarks demostrando 39 ms por página en CPUs de portátil.
Fast, open-source PDF text extraction API. Files never stored. - beatrizalmeidaf/papero-pdf-text-extractor