PyMuPDF

Apache Spark 的 PDF 数据源，支持直接读取 PDF 文件到 DataFrame 并进行 OCR

ExtractThinker是一个面向LLM的文档智能库，提供ORM风格的交互，实现灵活且强大的文档工作流。

基于Python的开源ETL工具，用于文件爬取、文档处理（文本提取、OCR）、内容分析（实体提取和命名实体识别）和数据增强（标注）流程，以及导入Solr或Ela

自我校验的PDF提取。阅读顺序准确率排名第二——零AI、零GPU、零成本。