opendataloader-project/opendataloader-pdf

这是什么？

核心功能

• 01按正确阅读顺序提取文本，支持多栏版面。
• 02可输出 Markdown、带边界框的 JSON、HTML 和带标注的 PDF。
• 03默认模式在 CPU 上本地运行，无需 GPU。
• 04混合模式可对复杂页面进行表格、OCR、公式和图片描述处理。
• 05将未加标签的 PDF 自动生成 Tagged PDF，采用 Apache 2.0 协议。
• 06内置提示注入过滤，并可选择脱敏邮箱、电话等敏感信息。

适用场景

• 为 RAG 系统准备带源坐标的 PDF 文本分块。
• 将论文或报告转换为 Markdown，供大模型上下文使用。
• 批量为现有 PDF 档案生成标签，改善屏幕阅读器的可访问性。
• 从科研 PDF 中提取表格和公式，输出为结构化 JSON。

快速上手

1. 1

   检查是否已安装 Java 11+（java -version）

   java -version
2. 2

   安装 Python 包

   pip install -U opendataloader-pdf
3. 3

   在 Python 中将 PDF 转换为 Markdown 和 JSON

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

使用前须知

• !必须安装 Java 11+，因为每次转换都会启动一个 JVM 进程。
• !不支持 Word、Excel 和 PowerPoint 文件。
• !复杂表格、OCR 和公式需要使用混合模式及单独的后端服务器。
• !PDF/UA 导出是企业版附加功能，不属于 Apache-2.0 核心版本。

标签

常见问题

opendataloader-pdf 是什么？

开源 PDF 解析工具，可将 PDF 转为 Markdown、带边界框的 JSON 和 HTML，并为无标签 PDF 自动生成标签。 OpenDataLoader PDF 从 PDF 文件中提取结构化内容，包括按阅读顺序排列的文本、标题、列表、表格、图片和公式，输出为 Markdown、带每个元素边界框的 JSON、HTML 或带标注的 PDF，适合为 RAG 和大模型流程准备数据。默认的本地模式基于 Java 实现，不需要 GPU；可选的混合模式会把无边框表格、扫描页等复杂页面交给 AI 后端处理，并支持 OCR。

opendataloader-pdf 可以免费使用吗？用的什么许可证？

opendataloader-pdf 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。

opendataloader-pdf 还在维护吗？

活跃维护中。opendataloader-pdf 最近一次提交是在 2026年10月20日。

opendataloader-pdf 适合用来做什么？

为 RAG 系统准备带源坐标的 PDF 文本分块。 将论文或报告转换为 Markdown，供大模型上下文使用。 批量为现有 PDF 档案生成标签，改善屏幕阅读器的可访问性。 从科研 PDF 中提取表格和公式，输出为结构化 JSON。

opendataloader-pdf 怎么安装和运行？

检查是否已安装 Java 11+（java -version）: java -version 安装 Python 包: pip install -U opendataloader-pdf 在 Python 中将 PDF 转换为 Markdown 和 JSON: python -c "import opendataloader_pdf; opendataloader_pdf.convert(input_path=['file1.pdf'], output_dir='output/', format='markdown,json')"

在哪里获取 opendataloader-pdf？

源代码和安装说明在 GitHub 上：https://github.com/opendataloader-project/opendataloader-pdf