<!-- source: opendataloader-pdf — https://raw.githubusercontent.com/chujianyun/skills/main/skills/opendataloader-pdf/SKILL.md -->

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+

bash
pip install -U opendataloader-pdf

混合 AI 模式（复杂表格 / OCR / 公式）：

bash
pip 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

python
import 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