Данные и БД

PyMuPDF — высокопроизводительная библиотека Python для извлечения данных, анализа, конвертации и редактирования PDF и других документов на базе движка MuPDF.

Docling — библиотека на Python с открытым кодом (лицензия MIT), которая переводит PDF, DOCX, PPTX, HTML и другие документы в структурированные данные для генеративного ИИ.

Apache Tika — открытая библиотека и инструмент на Java для определения типа файлов и извлечения метаданных и текста из более чем тысячи форматов, включая PDF, PPT и XLS.