OpenDataLoader PDF | Github发现 – AI 开源 PDF 解析转写工具

OpenDataLoader PDF 适合解决一个常见卡点：PDF 的文字虽然提取出来了，段落顺序、表格关系和出处位置却丢了。它可以输出 Markdown 和带元素类型、页码、边界框的 JSON，让知识库既有可读正文，也能把答案定位回原页面。项目也能自动生成带结构标签的 Tagged PDF，用于无障碍处理。

给模型读的正文，与定位出处的数据一起留

多栏论文、报告和手册里，阅读顺序不是简单按坐标从上往下排。标题层级、列表、表格、图注和公式也影响切块。OpenDataLoader PDF 在本地解析中识别这些结构，遇到扫描件、复杂表格和图表等难点时，可使用 Hybrid 后端增强。

输出	主要用途	在流程中的位置
Markdown	可读正文、RAG 切块与模型上下文	用于内容整理，仍需检查段落、表格和层级
JSON	元素类型、页码、坐标、内容及标题级别	保留定位信息，供来源引用、页面高亮和后续处理
HTML／Text	页面展示或纯文本提取	按是否需要结构与展示选择
Annotated PDF	显示识别区域的标注 PDF	对照原页查看标题、段落、表格或图片区域是否识别正确

Markdown 和 JSON 不必二选一。前者承担阅读与切块，后者保留来源位置；例如回答引用某张表时，可以把对应文本与页码、区域信息一起存入知识库，而不是在最后只剩下一段无法追溯的文字。项目也提供 LangChain 集成，接入已有文档加载管线时可另行选用。

先跑一批普通 PDF，Java 环境要准备好

Python 路径需要 Python 3.10 及以上和 Java 11 及以上。先执行 java -version 确认 Java 可用，再安装包：

pip install -U opendataloader-pdf

import opendataloader_pdf

opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

多个文件尽量放在一次 convert() 调用里。每次调用会启动 JVM 进程，循环里一个文件调用一次，会重复承担启动开销。这里把文件与目录一起交给转换器，结果写到 output/；命令行同样可以一次处理多个输入：

opendataloader-pdf file1.pdf file2.pdf folder/

Node.js 对应 @opendataloader/pdf，Java 对应 Maven 的 org.opendataloader:opendataloader-pdf-core。选择哪个语言入口，取决于现有后端，不必为了用解析器另起一套应用。Node.js 的基础调用是：

npm install @opendataloader/pdf

import { convert } from '@opendataloader/pdf';

await convert(['file1.pdf', 'file2.pdf', 'folder/'], {
  outputDir: 'output/',
  format: 'markdown,json'
});

扫描件和复杂页面，再切到 Hybrid

默认模式适合先处理普通数字 PDF。复杂或无边框表格、扫描页、公式和图片描述需要更强处理时，再安装混合模式依赖；它比默认模式多一个后端服务。

后端保持运行，客户端再发起转换

pip install -U "opendataloader-pdf[hybrid]"
opendataloader-pdf-hybrid --port 5002

在另一个终端发送客户端任务，后端终端不要提前关闭：

opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/

后端可运行在自己的环境里，普通页面与复杂页面按混合流程处理。不要把它笼统写成只要调用一次云端 AI 就能解析所有文件；具体后端位置、模型和参数决定处理路径。

中文扫描件、公式和图表需要不同参数

扫描件无法直接选中文字时，可以在启动后端时强制 OCR。默认 EasyOCR 的简体中文与英文代码分别为 ch_sim 和 en：

opendataloader-pdf-hybrid --port 5002 --force-ocr --ocr-lang "ch_sim,en"

若更换 OCR 引擎，语言代码也要按引擎调整，不能照搬 EasyOCR 参数。处理公式时后端开启 --enrich-formula，生成图片或图表描述时开启 --enrich-picture-description；这两类增强还要求客户端使用 --hybrid-mode full。

对于已有良好结构标签的 PDF，可以用 --use-struct-tree 读取原标签。这个选项优先于 Hybrid；两者一起指定时，并不会再调用混合后端。原标签稀疏或有误时，默认解析或 Hybrid 反而可能更合适。

自动生成 Tagged PDF，与 PDF/UA 导出分开看

Tagged PDF 在文件中加入标题、段落、列表、表格和阅读顺序等结构标签，帮助屏幕阅读器理解内容。自动打标签属于开源能力，命令入口是：

opendataloader-pdf --format tagged-pdf file1.pdf file2.pdf folder/

PDF/UA-1、PDF/UA-2 导出与 Accessibility Studio 可视化编辑属于企业增强。生成了 Tagged PDF，不等于这份文件已经完成无障碍合规验收。标签关系、阅读顺序和替代文字仍需检查，项目提到的 veraPDF 验证也应按实际输出执行，不能只凭转换成功就认定通过。

先用自己的样本判断，别用一个总分替代验收

• 普通资料：对照 Markdown 的段落顺序，检查页眉页脚、列表与标题是否混入正文。
• 报告与论文：检查 JSON 的页码和坐标，核对表格的行列、图注与公式，再决定是否升级模式。
• 扫描件：选有代表性的清晰页和困难页，检查 OCR 语言、漏字和表格，不必一开始处理整批档案。
• 进入 AI 管线前：保留原文件与定位关系；隐藏、透明或页面外内容的过滤有帮助，但不能保证识别全部恶意指令或替代敏感资料处理要求。

项目方公布了 Hybrid 的提取评测，总体指标 0.907、阅读顺序 0.934、表格 0.928、标题 0.821。这些是其评测集上的结果，不是本文实测，也不能直接解释成你的文件有相同比例会正确。接入前更值得对照的，是自己的文档中那些最容易出错的结构。

当前核心采用 Apache 2.0；2.0 以前版本使用 MPL 2.0。企业增强、第三方依赖和所选模型各有边界，使用旧版本或额外服务时应核对对应许可与处理条件。

• 源码与使用说明：https://github.com/opendataloader-project/opendataloader-pdf
• 官方文档：https://opendataloader.org/
• Python 包：https://pypi.org/project/opendataloader-pdf/