OpenDataLoader PDF
PDF 解析器 · 基准测试第一 · RAG/LLM 数据提取利器
功能定位
- 核心能力：从任意 PDF 提取结构化数据（Markdown、JSON、HTML），带边界框坐标
- 技术亮点：XY-Cut++ 读取顺序、Bounding Box 定位、AI 混合模式处理复杂页面
- 基准成绩：综合 0.90（第一），表格 0.93，读取顺序 0.94（对标 Docling、Marker、MinerU 等）
- 许可证：Apache 2.0（核心功能免费）
适用场景
- 批量提取 PDF 为 Markdown / JSON / HTML 用于 RAG 或 LLM 训练
- 需要边界框坐标做源码溯源（哪个段落来自 PDF 第几页哪个位置）
- 复杂表格、扫描件、含公式的学术 PDF
- PDF 无障碍化（Tagged PDF 生成，Q2 2026 免费开放）
安装
前提
- Java 11+
- Python 3.10+
bashpip install -U opendataloader-pdf
混合 AI 模式（复杂表格 / OCR / 公式）：
bashpip install "opendataloader-pdf[hybrid]"
快速使用
CLI（适合单文件或批量）
bash# 快速模式：输出 Markdown + JSON opendataloader-pdf input.pdf output_dir/ # 指定格式 opendataloader-pdf input.pdf output_dir/ --format markdown,json,html # 混合 AI 模式（复杂表格 / 扫描件） opendataloader-pdf --hybrid docling-fast input.pdf output_dir/ # 混合模式 + OCR（扫描件） opendataloader-pdf --hybrid docling-fast --force-ocr input.pdf output_dir/ # 混合模式 + 公式识别 opendataloader-pdf --hybrid docling-fast --hybrid-mode full input.pdf output_dir/
Python API
pythonimport opendataloader_pdf # 批量处理（一次调用会启动 JVM，建议批量一次性传入） opendataloader_pdf.convert( input_path=["file1.pdf", "file2.pdf", "folder/"], output_dir="output/", format="markdown,json" )
模式选择指南
| 文档类型 | 模式 | 命令 |
|---|---|---|
| 标准数字 PDF | 快速（默认） | opendataloader-pdf file.pdf out/ |
| 复杂/无线框表格 | 混合 | opendataloader-pdf --hybrid docling-fast file.pdf out/ |
| 扫描件 | 混合 + OCR | 同上 + --force-ocr |
| 非英语扫描件 | 混合 + OCR | --force-ocr --ocr-lang "ko,en" |
| 含数学公式 | 混合 + 公式 | --hybrid docling-fast --hybrid-mode full |
| 图表需要描述 | 混合 + 图片描述 | --enrich-picture-description --hybrid-mode full |
输出格式说明
Markdown
保留标题层级、表格结构、列表嵌套，适合直接用于 chunking。
JSON（带边界框）
json{ "pages": [{ "page_number": 1, "elements": [{ "type": "heading", "text": "...", "bbox": [x0, y0, x1, y1], "level": 1 }, { "type": "table", "bbox": [x0, y0, x1, y1], "html": "..." }] }] }
每个元素都有 bbox 坐标，方便做源码溯源。
HTML
保留布局结构，适合渲染或进一步处理。
Gotchas
- 每次
convert()调用会启动一个新的 JVM 进程，所以批量文件建议一次传入，而不是循环多次调用 - 混合模式需要在后台启动服务器：
opendataloader-pdf-hybrid --port 5002，然后客户端加--hybrid docling-fast --enrich-formula或--enrich-picture-description必须在混合服务器和客户端都加--hybrid-mode full，否则强化功能静默跳过- Java 选项修改后必须运行
npm run sync，它会重新生成options.json和所有 Python/Node.js 绑定
与其他工具的对比
| 引擎 | 综合分 | 表格 | 速度（秒/页） |
|---|---|---|---|
| opendataloader（混合） | 0.90 | 0.93 | 0.43 |
| docling | 0.86 | 0.89 | 0.73 |
| marker | 0.83 | 0.81 | 53.93 |
| mineru | 0.82 | 0.87 | 5.96 |
| pymupdf4llm | 0.57 | 0.40 | 0.09 |
引用信息
- PyPI：
pip install opendataloader-pdf - npm：
npm install @opendataloader/pdf - Maven：
org.opendataloader:opendataloader-pdf-core - GitHub：https://github.com/opendataloader-project/opendataloader-pdf
- 基准测试：https://github.com/opendataloader-project/opendataloader-bench
