opendataloader-project/opendataloader-pdf

これは何？

主な機能

• 01複数段組みを含め、正しい読み順でテキストを抽出します。
• 02Markdown、バウンディングボックス付きJSON、HTML、注釈付きPDFを出力します。
• 03デフォルトモードではGPUを使わず、CPU上でローカル実行できます。
• 04ハイブリッドモードでは、複雑なページに対する表の処理、OCR、数式処理、画像の説明生成に対応します。
• 05Apache 2.0ライセンスのもと、タグなしPDFを自動的にTagged PDFにします。
• 06プロンプトインジェクションフィルターと、任意で有効化できる機密データのサニタイズ機能を提供します。

ユースケース

• RAGシステム向けに、出典の座標情報付きチャンクとしてPDF文書を準備する。
• 研究論文やレポートをMarkdownに変換し、LLMのコンテキストウィンドウに取り込む。
• 既存のPDFアーカイブに一括でタグを付け、スクリーンリーダーでのアクセシビリティを高める。
• 科学論文のPDFから表や数式を構造化JSONとして抽出する。

クイックスタート

1. 1

   Java 11以降がインストールされていることを確認します（java -version）

   java -version
2. 2

   Pythonパッケージをインストールします

   pip install -U opendataloader-pdf
3. 3

   PythonでPDFをMarkdownとJSONに変換します

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

使う前に知っておきたいこと

• !各変換でJVMプロセスを起動するため、Java 11以降がインストールされている必要があります。
• !Word、Excel、PowerPointファイルには対応していません。
• !複雑な表、OCR、数式を扱うには、別のバックエンドサーバーを使用するハイブリッドモードが必要です。
• !PDF/UAへのエクスポートはエンタープライズ向けアドオンであり、Apache-2.0のコアには含まれません。

トピック

よくある質問

opendataloader-pdf とは？

PDFをMarkdown、バウンディングボックス付きJSON、HTMLに変換し、AIパイプラインで活用できるオープンソースPDFパーサー。タグなしPDFの自動タグ付けにも対応。 OpenDataLoader PDFは、PDFファイルから読み順に沿ったテキスト、見出し、リスト、表、画像、数式などの構造化コンテンツを抽出し、Markdown、各要素のバウンディングボックス付きJSON、HTML、または注釈付きPDFとして出力します。RAGやLLMのパイプラインにドキュメントを取り込むことを想定しています。デフォルトのローカルモードでは、GPUを使わずJavaコアで決定論的に処理します。オプションのハイブリッドモードでは、罫線のない表やスキャンページなどの複雑なページを、OCR対応のAIバックエンドに振り分けます。

opendataloader-pdf は無料で使えますか？ライセンスは？

opendataloader-pdf は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

opendataloader-pdf は今もメンテナンスされていますか？

活発にメンテナンス中。opendataloader-pdf の最終コミットは 2026年10月20日 です。

opendataloader-pdf は何に使えますか？

RAGシステム向けに、出典の座標情報付きチャンクとしてPDF文書を準備する。 研究論文やレポートをMarkdownに変換し、LLMのコンテキストウィンドウに取り込む。 既存のPDFアーカイブに一括でタグを付け、スクリーンリーダーでのアクセシビリティを高める。 科学論文のPDFから表や数式を構造化JSONとして抽出する。

opendataloader-pdf のインストール方法は？

Java 11以降がインストールされていることを確認します（java -version）: java -version Pythonパッケージをインストールします: pip install -U opendataloader-pdf PythonでPDFをMarkdownとJSONに変換します: python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

opendataloader-pdf はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/opendataloader-project/opendataloader-pdf