opendataloader-project/opendataloader-pdf

Что это?

Ключевые возможности

• 01Извлекает текст в правильном порядке чтения, в том числе из документов с несколькими колонками.
• 02Выдаёт результат в форматах Markdown, JSON с координатами элементов, HTML и PDF с аннотациями.
• 03В режиме по умолчанию работает локально на CPU без GPU.
• 04Гибридный режим добавляет обработку таблиц, OCR, формул и описаний изображений на сложных страницах.
• 05Автоматически добавляет теги в PDF без тегов; лицензия — Apache 2.0.
• 06Предоставляет фильтр от prompt injection и опциональную очистку конфиденциальных данных.

Сценарии использования

• Подготовка PDF-документов к разбиению на фрагменты с координатами источника для системы RAG.
• Преобразование научных статей или отчётов в Markdown для передачи контекста LLM.
• Пакетное добавление тегов в существующие архивы PDF, чтобы упростить работу со скринридерами.
• Извлечение таблиц и формул из научных PDF в структурированный JSON.

Быстрый старт

1. 1

   Убедитесь, что установлена Java 11 или более поздняя версия (java -version)

   java -version
2. 2

   Установите пакет Python

   pip install -U opendataloader-pdf
3. 3

   Преобразуйте PDF в Markdown и JSON с помощью Python

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

Что важно знать

• !Необходимо установить Java 11 или более позднюю версию, поскольку при каждом преобразовании запускается процесс JVM.
• !Файлы Word, Excel и PowerPoint не поддерживаются.
• !Для работы со сложными таблицами, OCR и формулами требуется гибридный режим с отдельным сервером backend.
• !Экспорт в PDF/UA — это корпоративное дополнение, не входящее в ядро Apache-2.0.

Темы

Частые вопросы

Что такое opendataloader-pdf?

Парсер PDF с открытым исходным кодом: преобразует документы в Markdown, JSON с координатами элементов и HTML для AI-пайплайнов, а также автоматически добавляет теги в документы без тегов. OpenDataLoader PDF извлекает из PDF структурированное содержимое: текст в порядке чтения, заголовки, списки, таблицы, изображения и формулы. Результат можно получить в формате Markdown, JSON с координатами каждого элемента, HTML или в виде PDF с аннотациями. Проект предназначен для подачи документов в пайплайны RAG и LLM. В детерминированном локальном режиме обработка выполняется на Java core без GPU. В дополнительном гибридном режиме сложные страницы — например, с таблицами без границ и сканированные — передаются в AI-бэкенд с OCR.

opendataloader-pdf можно использовать бесплатно? Какая у него лицензия?

opendataloader-pdf распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.

opendataloader-pdf всё ещё поддерживается?

Активно поддерживается. Последний коммит в opendataloader-pdf — 20 окт. 2026 г..

Для чего можно использовать opendataloader-pdf?

Подготовка PDF-документов к разбиению на фрагменты с координатами источника для системы RAG. Преобразование научных статей или отчётов в Markdown для передачи контекста LLM. Пакетное добавление тегов в существующие архивы PDF, чтобы упростить работу со скринридерами. Извлечение таблиц и формул из научных PDF в структурированный JSON.

Как установить opendataloader-pdf?

Убедитесь, что установлена Java 11 или более поздняя версия (java -version): java -version Установите пакет Python: pip install -U opendataloader-pdf Преобразуйте PDF в Markdown и JSON с помощью Python: python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

Где скачать opendataloader-pdf?

Исходный код и инструкции по установке — на GitHub: https://github.com/opendataloader-project/opendataloader-pdf