📱WeasyPrint.

WeasyPrint - это умное решение, помогающее веб-разработчикам создавать PDF-документы. Оно превращает простые HTML-страницы в красивые статистические отчеты, счета, билеты и многое другое.

С технической точки зрения, WeasyPrint - это визуальный рендеринг-движок для HTML и CSS, который может экспортировать документы в формат PDF. Он нацелен на поддержку веб-стандартов для печати.

❗️WeasyPrint - это бесплатное программное обеспечение, доступное по лицензии BSD.

📄WeasyPrint - отличный инструмент для создания профессиональных PDF-документов из HTML!

📱Ссылка на репозиторий:
https://github.com/Kozea/WeasyPrint

#WeasyPrint #Python #PDF #HTML #CSS #WebDevelopment #Программирование #ВебРазработка #OpenSource

📱PDF to Podcast.

Этот проект предоставляет инструмент для преобразования любого PDF-документа в эпизод подкаста! Используя модели синтеза речи от OpenAI и Google Gemini, этот инструмент обрабатывает содержание PDF, генерирует естественный диалог, подходящий для аудиоподкаста, и выводит его в формате MP3.

🧩Особенности:

🔜Преобразование PDF в подкаст: Загрузите PDF и преобразуйте его содержимое в диалог подкаста.

🔜Увлекательный диалог: Генерируемый диалог разработан так, чтобы быть информативным и развлекательным.

🔜Удобный интерфейс: Простой интерфейс с использованием Gradio для легкого взаимодействия.

#PDF #Подкаст #СинтезРечи #OpenAI #GoogleGemini #Gradio #Технологии #ИскусственныйИнтеллект #Аудио #Подкасты #Инновации

📱Ссылка на репозиторий:
https://github.com/knowsuchagency/pdf-to-podcast

📱PDF-Extract-Kit.

PDF-Extract-Kit — инструмент для качественного извлечения контента из PDF документов.

📄PDF документы содержат огромное количество информации, но извлечение качественного контента из PDF является сложной задачей. Чтобы справиться с этим, мы разделили задачу извлечения контента на несколько компонентов:

🔘Определение макета: использование модели LayoutLMv3 для обнаружения регионов, таких как изображения, таблицы, заголовки, текст и т.д.;

🔘Обнаружение формул: использование YOLOv8 для обнаружения формул, включая встроенные и изолированные формулы;

🔘Распознавание формул: использование UniMERNet для распознавания формул;

🔘Оптическое распознавание символов: использование PaddleOCR для распознавания текста.

#Python #PDF #LayoutDetection #FormulaDetection #OCR #DocumentProcessing #AI #MachineLearning #LayoutLMv3 #YOLOv8 #UniMERNet #PaddleOCR

📱Ссылка на репозиторий:
https://github.com/opendatalab/PDF-Extract-Kit

📱MegaParse.

MegaParse – это мощный инструмент для парсинга различных типов документов. От текста до PDF, презентаций PowerPoint и документов Word – MegaParse обеспечит полный и точный разбор без потери данных.

#️⃣Ключевые особенности:

🔘Универсальный парсер: Способен работать с самыми разными типами документов.

🔘Без потери информации: Гарантирует сохранение всех данных при парсинге.

🔘Быстрота и эффективность: Высокая скорость работы без компромиссов в качестве.

🔘Широкая совместимость: Поддержка форматов Text, PDF, PowerPoint, Excel, CSV, Word.

🔘Открытый исходный код: Свобода использования, бесплатный и доступный всем.

⭐Поддержка форматов:

🔘PDF
🔘PowerPoint
🔘Word

➕Содержимое:

🔘Таблицы
🔘Оглавление
🔘Заголовки и колонтитулы
🔘Изображения

✅Откройте для себя MegaParse и забудьте о сложностях парсинга!

#MegaParse #Парсинг #OpenSource #PDF #Word #PowerPoint #Excel #Документы #Таблицы #Данные

📱Ссылка на репозиторий:
https://github.com/QuivrHQ/MegaParse

📱Kreuzberg.

Kreuzberg — это библиотека для простого и удобного извлечения текста из PDF-файлов, изображений и офисных документов без лишней возни.

🔹Возможности:

🔘Извлечение текста из PDF, изображений, офисных документов и др.

🔘Поддержка асинхронности (anyio) и аннотаций типов.

🔘Продвинутая обработка ошибок для лёгкого отладки.

#️⃣Поддерживаемые форматы:

PDF, DOCX, PPTX, ODT, RTF, JPEG, PNG, TIFF, BMP, GIF, WebP, CSV, TSV, HTML, TXT, Markdown, LaTeX и др.

🎯Планы развития:

🔘Улучшение извлечения таблиц из PDF.

🔘Извлечение метаданных.

🔘Поддержка дополнительных форматов.

#Python #PDF #OCR #TextExtraction #Kreuzberg #Async #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/Goldziher/kreuzberg

📱OCRmyPDF.

OCRmyPDF — это инструмент для добавления текстового слоя (OCR) в отсканированные PDF-файлы, что делает их доступными для поиска и копирования.

🔹Основные возможности:

🔘Создание PDF/A с возможностью поиска.

🔘Точный текстовый слой под изображением.

🔘Сохранение оригинального разрешения.

🔘Оптимизация размера PDF (часто меньше исходного).

🔘Распознавание более 100 языков (на базе Tesseract).

🔘Автоматический поворот страниц и исправление перекосов.

🔘Параллельная обработка с использованием нескольких ядер.

🔘Проверка валидности PDF на входе и выходе.

❗️Работает на Linux, Windows, macOS и FreeBSD.

#OCR #PDF #OCRmyPDF #Tesseract #Linux #Windows #macOS #PDFtools #Automation #OpenSource

📱Ссылка на репозиторий:
https://github.com/ocrmypdf/OCRmyPDF

📱olmOCR.

olmOCR — это инструмент для обучения языковых моделей работе с PDF-документами.

🔹Особенности и возможности:

🔘Парсинг текста: Инновационная стратегия запроса для качественного извлечения естественного текста с использованием ChatGPT 4o (buildsilver.py).

🔘Оценка версий: Инструмент для побочного сравнения различных версий пайплайнов (runeval.py).

🔘Фильтрация: Базовая фильтрация по языкам и удаление SEO-спама (filter.py).

🔘Дообучение: Код дообучения для моделей Qwen2-VL и Molmo-O (train.py).

🔘Масштабирование: Обработка миллионов PDF с помощью дообученной модели и Sglang (pipeline.py).

🔘Визуализация: Просмотр документов Dolma, созданных из PDF (dolmaviewer.py).

#olmOCR #AI #PDF #MachineLearning #ChatGPT #NLP #DeepLearning #TechTools #OpenSource #DataScience #OCR

📱Ссылка на репозиторий:
https://github.com/allenai/olmocr

📱Segno.

Segno — генератор QR-кодов и Micro QR-кодов на чистом Python без зависимостей.

✅Реализует стандарт ISO/IEC 18004:2015(E) и умеет больше, чем просто "сделать картинку".

🔹Особенности:

🔘Без зависимостей.

🔘Поддержка Micro QR, Structured Append, Hanzi.

🔘Генерация визиток (vCard/MeCard), Wi-Fi QR-кодов, EPC платежей.

🔘Командная строка и Python API.

🔘Поддержка экспорта в SVG, PNG, EPS, PDF, LaTeX, XBM, XPM, Netpbm и др.

🔘1500+ тестов, покрытие кода > 98%.

🔻Пример:

import segno
qrcode = segno.make('Yellow Submarine')
qrcode.save('yellow-submarine.png')

✅Отлично подходит для CLI-утилит, отчётов, печатной продукции, чеков и любых приложений, где важна автономность (никаких PIL и qrcode).

🔝 Segno — когда тебе нужен QR-код, и ты не хочешь тянуть половину интернета ради PNG.

#Segno #QRCode #Python #MicroQR #NoDependencies #CLI #PDF #SVG #LaTeX #OpenSource #Barcode

📱Ссылка на репозиторий:
https://github.com/heuer/segno/

📱Abogen.

Abogen — мощный инструмент для преобразования текста в речь с идеальной синхронизацией субтитров. Поддерживает ePub, PDF и TXT. Идеален для создания аудиокниг, озвучек для TikTok, YouTube, Instagram и других проектов. Работает на модели Kokoro-82M.

❓Что умеет Abogen:

🔘Превращает текст в естественную речь.

🔘Создаёт синхронизированные субтитры.

🔘Поддерживает ePub, PDF, TXT.

🔘Работает на Windows, macOS и Linux.

🔘Поддерживает NVIDIA и AMD GPU.

🔘Нет нужды в отдельной установке Python (на Windows).

🔘Работает за секунды (демо: 3000 символов → 3.5 минуты аудио за 11 секунд).

#Abogen #TextToSpeech #TTS #AIvoice #Python #OpenSource #YouTube #TikTok #ИнструментыРазработчика #Озвучка #Субтитры #PDF #ePub #ML #AItools #Kokoro82M #ГолосовойАссистент #ГолосовойКонтент

📱Ссылка на репозиторий:
https://github.com/denizsafak/abogen

📱Otary.

Otary — это современная и интуитивно понятная Python-библиотека для работы с изображениями и 2D-геометрией, объединяющая простоту, наглядность и высокую производительность.

🔹Основные возможности Otary:

🔘Унификация — единое решение для работы с изображениями и геометрией без переключения между инструментами.

🔘Читаемость — код самодокументируемый, понятный даже новичкам.

🔘Производительность — построен на NumPy и OpenCV, оптимизирован для скорости.

🔘Интерактивность — идеально подходит для Jupyter-ноутбуков и живых экспериментов.

🔘Гибкость — легко расширяется и настраивается под любые задачи.

🔻Пример:

Прочитать изображение из PDF, нарисовать эллипс, обрезать, повернуть, применить порог и отобразить:

import otary as ot

im = ot.Image.from_pdf("path/to/your/file.pdf", page_nb=0)

ellipse = ot.Ellipse(foci1=[100, 100], foci2=[400, 400], semi_major_axis=250)

im = (
    im.draw_ellipses([ellipse])
    .crop(x0=50, y0=50, x1=450, y1=450)
    .rotate(angle=90, is_degree=True)
    .threshold_simple(thresh=200)
)

im.show()

✅Всё в одной библиотеке — без OpenCV, Pillow, Scikit-Image, PyMuPDF и др.

✅Максимум гибкости для визуальных задач!

#Python #Otary #ImageProcessing #ComputerVision #DataScience #OpenCV #Geometry #PDF #Jupyter #AItools #DevTools

📱Ссылка на репозиторий:
https://github.com/poupeaua/otary

📱Pix2Text.

Pix2Text — это свободная и открытая Python-библиотека для интеллектуального OCR. В отличие от простых инструментов для распознавания текста, она не просто извлекает слова, а понимает структуру сложных документов.

🔹Главные возможности:

🔘Распознаёт текст (80+ языков), формулы, таблицы, изображения.

🔘Преобразует сложные документы и целые PDF в Markdown.

🔘Объединяет всё в структурированный текст.

🔘Работает из Python, из командной строки или как HTTP-сервис.

🔘Есть бесплатный онлайн-сервис и демо.

#Pix2Text #OCR #РаспознаваниеТекста #МатематическиеФормулы #ИИ #AI #Python #OpenSource #Mathpix #PDF #Markdown #Нейросети #DataScience

📱Ссылка на репозиторий:
https://github.com/breezedeus/Pix2Text

📱X-ray.

x-ray — это небольшая, но очень полезная Python‑библиотека и CLI‑утилита для поиска «плохих» редактирований в PDF: тех случаев, когда поверх текста просто нарисовали чёрный прямоугольник, но сам текст под ним по‑прежнему можно выделить и прочитать.

❓Зачем нужен x-ray:

🔘Free Law Project собирает миллионы судебных и других PDF‑документов и регулярно сталкивается с тем, что конфиденциальные данные замазывают «криво», оставляя текст доступным под чёрной плашкой.

🔘x-ray создавался как способ автоматически находить такие провальные редактирования, чтобы оценивать масштаб проблемы и предотвращать утечки до публикации документов.

🔹Как это работает внутри:

🔘x-ray использует PyMuPDF для высокопроизводительного парсинга PDF.

🔘Алгоритм в общих чертах: найти прямоугольники, найти буквы в тех же координатах, отрендерить прямоугольник в картинку и проверить, является ли он однородным по цвету; если да и под ним есть текст, это помечается как «плохая» редакция.

🔻Пример:

from pathlib import Path
from pprint import pprint
import xray

# 1. Указываем путь к PDF
pdf_path = Path("docs/sample.pdf")

# 2. Запускаем проверку: xray сам откроет файл и проанализирует его
bad_redactions = xray.inspect(pdf_path)

# 3. Структура результата:
# {
#   1: [
#     {
#       "bbox": (x1, y1, x2, y2),  # координаты «чёрного прямоугольника»
#       "text": "утёкший текст под ним"
#     },
#     ...
#   ],
#   2: [...],
#   ...
# }
pprint(bad_redactions)

# 4. Пример пост‑обработки: просто напечатаем найденные утечки по страницам
if not bad_redactions:
    print("Плохих редактирований не найдено.")
else:
    for page, items in bad_redactions.items():
        print(f"\nСтраница {page}:")
        for item in items:
            bbox = item["bbox"]
            text = item["text"]
            print(f"  BBox: {bbox}")
            print(f"  Текст: {text}")

Ключевые моменты: xray.inspect(...) принимает путь, URL или bytes; возвращает словарь, где ключи — номера страниц, а значения — списки словарей с координатами прямоугольника (bbox) и текстом, который под ним всё ещё читается.

#xray #Python #PDF #Redaction #BadRedactions #InfoSec #Privacy #LegalTech #PyMuPDF #CLI

📱Ссылка на репозиторий:
https://github.com/freelawproject/x-ray

📱Transtractor.

Transtractor — это библиотека на Rust с Python‑API для извлечения транзакций из PDF‑выписок банка в CSV или DataFrame, без какого‑либо AI.

❓Что умеет:

🔘Парсит PDF‑выписки, вытягивая структурированные данные о транзакциях (дата, описание, суммы, баланс) в стандартный CSV‑формат или словарь для Pandas.

🔘Работает по конфигам: готовые профили для поддерживаемых банков + возможность подключать свои my_config.json, не трогая ядро парсинга.

🚀Установка и запуск:

🔘Установка из PyPI:

  pip install transtractor

🔘Базовое использование:

  from transtractor import Parser
  parser = Parser()
  parser.parse("statement.pdf").to_csv("statement.csv")

  data = parser.parse("statement.pdf").to_pandas_dict()

Далее данные можно анализировать в Pandas/Excel.

🔻Конфиги и расширение:

🔘Список поддерживаемых банков и примеры конфигов — в документации на Read the Docs и на сайте Transtractor.

🔘Свои конфиги подключаются так:

  parser.load("my_config.json")
  parser.parse("statement.pdf").to_csv("statement.csv")

#Transtractor #Rust #Python #PDF #BankStatements #FinTech #DataExtraction #Pandas #PersonalFinance #OpenSource

📱Ссылка на репозиторий:
https://github.com/transtractor/transtractor-lib