Одна из лучших библиотек, которая вытащит из pdf/excel/word и т.п. текст в читаемом виде. Называется Docline и легко найдете. 140+ релизов, огромное комьюнити, поддержка русского языка и т.п.

А самое главное лицензия MIT, что значит "разрешительная" делайте, по сути, что угодно. Мы будем применять для ряда проектов, например в RAG. Советую, присмотритесь, если ранее не рекомендовал уже.

p.s. MIT относится к открытым (разрешительным) лицензиям и допускает использование кода в составе коммерческого/закрытого ПО при соблюдении требований по сохранению уведомлений об авторских правах и текста лицензии.

Русский ИТ бизнес