opendataloader-project/opendataloader-pdf

¿Qué es?

Funciones clave

• 01Extrae texto en el orden de lectura correcto, incluidos los diseños con varias columnas.
• 02Exporta a Markdown, JSON con cuadros delimitadores, HTML y PDF anotados.
• 03Se ejecuta localmente en la CPU, sin GPU, en su modo predeterminado.
• 04El modo híbrido añade procesamiento de tablas, OCR, fórmulas y descripciones de imágenes para páginas complejas.
• 05Etiqueta automáticamente los PDF sin etiquetar como Tagged PDFs bajo la licencia Apache 2.0.
• 06Incluye un filtro contra la inyección de prompts y una opción para anonimizar datos sensibles.

Casos de uso

• Preparar documentos PDF en fragmentos con las coordenadas de origen para un sistema RAG.
• Convertir artículos de investigación o informes a Markdown para incorporarlos al contexto de un LLM.
• Etiquetar en lote archivos PDF existentes para mejorar su accesibilidad para lectores de pantalla.
• Extraer tablas y fórmulas de PDF científicos y convertirlas a JSON estructurado.

Inicio rápido

1. 1

   Comprueba que Java 11 o posterior esté instalado (java -version)

   java -version
2. 2

   Instala el paquete de Python

   pip install -U opendataloader-pdf
3. 3

   Convierte PDF a Markdown y JSON con Python

   python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

Antes de usarlo

• !Java 11 o posterior debe estar instalado, ya que cada conversión inicia un proceso de JVM.
• !No se admiten archivos de Word, Excel ni PowerPoint.
• !Para procesar tablas complejas, OCR y fórmulas, se necesita el modo híbrido con un servidor backend independiente.
• !La exportación a PDF/UA es un complemento empresarial y no forma parte del núcleo con licencia Apache-2.0.

Temas

Preguntas frecuentes

¿Qué es opendataloader-pdf?

Analizador de PDF de código abierto que convierte PDF a Markdown, JSON con cuadros delimitadores y HTML para canalizaciones de IA, y etiqueta automáticamente los PDF sin etiquetar como Tagged PDFs. OpenDataLoader PDF extrae contenido estructurado de archivos PDF, como texto en orden de lectura, encabezados, listas, tablas, imágenes y fórmulas, y lo exporta a Markdown, JSON con cuadros delimitadores para cada elemento, HTML o PDF anotados. Está pensado para incorporar documentos a canalizaciones de RAG y LLM. El modo local determinista se ejecuta sobre el núcleo de Java sin GPU, mientras que un modo híbrido opcional envía páginas complejas —como las que tienen tablas sin bordes o están escaneadas— a un backend de IA con OCR.

¿opendataloader-pdf es gratuito? ¿Qué licencia tiene?

opendataloader-pdf es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.

¿opendataloader-pdf sigue mantenido?

Mantenimiento activo. El último commit de opendataloader-pdf fue el 20 oct 2026.

¿Para qué puedo usar opendataloader-pdf?

Preparar documentos PDF en fragmentos con las coordenadas de origen para un sistema RAG. Convertir artículos de investigación o informes a Markdown para incorporarlos al contexto de un LLM. Etiquetar en lote archivos PDF existentes para mejorar su accesibilidad para lectores de pantalla. Extraer tablas y fórmulas de PDF científicos y convertirlas a JSON estructurado.

¿Cómo se instala opendataloader-pdf?

Comprueba que Java 11 o posterior esté instalado (java -version): java -version Instala el paquete de Python: pip install -U opendataloader-pdf Convierte PDF a Markdown y JSON con Python: python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

¿Dónde consigo opendataloader-pdf?

El código fuente y las instrucciones de instalación están en GitHub: https://github.com/opendataloader-project/opendataloader-pdf