opendataloader-project GitHub avatar

opendataloader-pdf

Java
智能文档解析器opendataloader-project最近推送 2026年11月18日
RAG 与知识库Apache-2.030.3k2,90622 issues7 天 +67

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

把 PDF 转成 AI 可用的 Markdown/JSON,并自动生成无障碍标签。

这是一个用 Java 编写的开源 PDF 解析工具,能把 PDF 转成 Markdown、带边界框的 JSON 和 HTML,供 RAG 和 LLM 流程使用。它同时提供 PDF 无障碍自动化:把没有标签的 PDF 自动转成带标签的 Tagged PDF,作为 PDF/UA 流程的基础。项目提供 Python、Node.js、Java 三种 SDK,核心解析与自动打标签功能采用 Apache-2.0 许可。

推荐指数

4.0

解析精度和输出结构都不错,还覆盖无障碍场景,适合做文档处理和 RAG 的团队评估使用。

近 7 天

+67

新增 Star

总 Star 排名

#227

雷达追踪的 3,958 个 AI 仓库中

创建于

2025

2025年5月13日

核心亮点

  • 1结构化输出

    输出 Markdown、带边界框的 JSON 和 HTML,便于切块和溯源引用。

  • 2阅读顺序

    用 XY-Cut++ 处理多栏和复杂版式,减少文本顺序错乱。

  • 3混合模式

    复杂页面可交给 AI 后端处理,覆盖扫描件、无框表格和公式。

  • 4自动打标签

    把无标签 PDF 转成 Tagged PDF,是开源的端到端方案。

  • 5多语言 SDK

    提供 Python、Node.js、Java 接口,方便接入现有流程。

适用场景

  • RAG 文档入库

    例如:把一批产品手册转成 Markdown 切块后写入向量库,并用 JSON 边界框标注原文位置。

  • 扫描件与复杂表格提取

    例如:对含无框表格和低质量扫描的财报 PDF 启用混合模式,提取表格和 OCR 文本。

  • PDF 无障碍改造

    例如:把机构内大量无标签 PDF 批量转成 Tagged PDF,供屏幕阅读器读取。

它是怎么工作的

  1. 第 1 步

    解析版面

    读取 PDF 页面,识别标题、段落、表格、图片等元素及其坐标。

  2. 第 2 步

    确定顺序

    按 XY-Cut++ 算法还原多栏文档的阅读顺序。

  3. 第 3 步

    按需增强

    复杂页面路由到 AI 后端,处理扫描件、公式和图表描述。

  4. 第 4 步

    输出结果

    生成 Markdown、JSON 或 HTML;无障碍流程则输出 Tagged PDF。

快速上手

  1. 1

    安装

    需要 Java 11+ 和 Python 3.11+,用 pip 安装。

    pip install -U opendataloader-pdf
  2. 2

    批量转换

    一次传入多个文件或目录,指定输出格式。

    opendataloader_pdf.convert(input_path=["file1.pdf", "folder/"], output_dir="output/", format="markdown,json")
  3. 3

    检查环境

    运行前确认已安装 JDK 11 以上。

    java -version

适合谁

  • 做 RAG 或文档问答的开发者
  • 需要批量提取 PDF 表格和文本的团队
  • 负责 PDF 无障碍改造的机构

不太适合

  • 不想安装 Java 运行环境的轻量脚本用户
  • 只需要简单纯文本提取的个人用户

成熟度

  • 活跃度2025 年创建,最近一次推送在 2026 年 11 月,仍在活跃维护。
  • 文档README 覆盖快速开始、能力矩阵和基准,细节分散在官网文档。
  • 社区约 3 万 star、2900 fork,开放 issue 仅 23 个,社区关注度高。
  • 上手难度依赖 Java 11+ 运行环境,Python 调用会启动 JVM 进程,环境配置有一定门槛。

同类项目怎么选

  • PyMuPDF偏底层 PDF 操作和文本提取,不提供自动打标签和 AI 混合解析。
  • Marker同为 PDF 转 Markdown 工具,但本项目额外覆盖 Tagged PDF 无障碍流程。
  • Docling侧重文档解析与结构化,本项目在无障碍自动打标签上更突出。

使用前注意

  • · 运行需要 Java 11+,Python 包实际调用 JVM,批量转换应合并调用以减少开销。
  • · PDF/UA-1/2 导出属于企业版附加功能,开源部分只到自动生成 Tagged PDF。
  • · 混合模式依赖 AI 后端,复杂页面的精度和成本会受后端影响。
  • · OCR 和复杂表格等能力主要在混合模式下提供,纯本地模式效果有限。

主题标签

jsonmarkdownpdfaidocument-parsinghtmlpdf-convertertablespdf-parserragaccessibilitybounding-boxeaaocrpdf-accessibilitypdf-extractionpdf-uatagged-pdfocr-recognitiona11y