把 PDF 转成带坐标的 JSON，引用溯源更省事

做 RAG 或文档检索时，PDF 解析常把阅读顺序弄乱、表格拆断，元素也没有坐标，引用溯源很难标位置。OpenDataLoader PDF 这个开源项目，就是把 PDF 转成 Markdown、JSON 和 HTML，本地确定性模式输出的每个元素都带 bounding box，方便定位来源。

它的思路是分两档：
标准数字 PDF 走默认本地模式，直接出带坐标的结构化结果；
复杂表格、扫描件、公式和图表则走 Hybrid 模式，把难页路由到 AI 后端，OCR 支持多语言，公式可出 LaTeX。

上手前提要留意：需要 Java 11+ 和 Python 3.11+，Hybrid、OCR、公式与图表描述要额外装 [hybrid] 并启动后端服务；
PDF/UA-1/2 导出和可视化编辑器属企业版，自动打标签本身免费；
不支持 Word/Excel/PPT。

项目主页：https://github.com/opendataloader-project/opendataloader-pdf

#PDF解析 #RAG #开源工具 #文档处理 #Markdown #Python开发 #OCR #PDF无障碍