opendataloader-project/opendataloader-pdf

O que é?

Recursos principais

• 01Extrai texto na ordem correta de leitura, inclusive em layouts com várias colunas.
• 02Gera Markdown, JSON com caixas delimitadoras, HTML e PDF anotado.
• 03Roda localmente na CPU, sem GPU, no modo padrão.
• 04O modo híbrido adiciona processamento de tabelas, OCR, fórmulas e descrições de imagens para páginas complexas.
• 05Adiciona tags automaticamente a PDFs sem tags, criando Tagged PDFs, sob a licença Apache 2.0.
• 06Oferece um filtro contra prompt injection e sanitização opcional de dados sensíveis.

Casos de uso

• Preparar documentos PDF em chunks com coordenadas de origem para um sistema RAG.
• Converter artigos de pesquisa ou relatórios para Markdown, para uso nas janelas de contexto de LLMs.
• Adicionar tags em lote a arquivos PDF existentes para melhorar a acessibilidade para leitores de tela.
• Extrair tabelas e fórmulas de PDFs científicos para JSON estruturado.

Início rápido

1. 1

   Verifique se o Java 11 ou superior está instalado (java -version)

   java -version
2. 2

   Instale o pacote Python

   pip install -U opendataloader-pdf
3. 3

   Converta PDFs para Markdown e JSON no Python

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

Antes de usar

• !É necessário ter o Java 11 ou superior instalado, pois cada conversão inicia um processo da JVM.
• !Arquivos do Word, Excel e PowerPoint não são compatíveis.
• !Tabelas complexas, OCR e fórmulas exigem o modo híbrido com um servidor backend separado.
• !A exportação para PDF/UA é um complemento empresarial e não faz parte do núcleo Apache-2.0.

Tópicos

Perguntas frequentes

O que é opendataloader-pdf?

Parser de PDF open source que converte PDFs em Markdown, JSON com caixas delimitadoras e HTML para pipelines de IA, além de adicionar tags automaticamente a PDFs sem tags. O OpenDataLoader PDF extrai conteúdo estruturado de arquivos PDF, incluindo texto na ordem de leitura, títulos, listas, tabelas, imagens e fórmulas, e gera Markdown, JSON com caixas delimitadoras para cada elemento, HTML ou PDFs anotados. Ele foi desenvolvido para alimentar pipelines de RAG e LLM. O modo local determinístico roda no core Java, sem GPU, e um modo híbrido opcional encaminha páginas complexas, como tabelas sem bordas e páginas digitalizadas, para um backend de IA com OCR.

opendataloader-pdf é gratuito? Qual é a licença?

opendataloader-pdf é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.

opendataloader-pdf ainda é mantido?

Manutenção ativa. O último commit de opendataloader-pdf foi em 20 de out. de 2026.

Para que posso usar opendataloader-pdf?

Preparar documentos PDF em chunks com coordenadas de origem para um sistema RAG. Converter artigos de pesquisa ou relatórios para Markdown, para uso nas janelas de contexto de LLMs. Adicionar tags em lote a arquivos PDF existentes para melhorar a acessibilidade para leitores de tela. Extrair tabelas e fórmulas de PDFs científicos para JSON estruturado.

Como instalar opendataloader-pdf?

Verifique se o Java 11 ou superior está instalado (java -version): java -version Instale o pacote Python: pip install -U opendataloader-pdf Converta PDFs para Markdown e JSON no Python: python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

Onde consigo opendataloader-pdf?

O código-fonte e as instruções de instalação estão no GitHub: https://github.com/opendataloader-project/opendataloader-pdf