不要云端,纯 CPU 跑文档解析,每秒100页,碾压 mineru

01 每秒 100 页，纯 CPU 跑

PDF 转 Markdown 这件事，做到今天还没解决好。

MinerU 慢到 5 秒一页，marker 要 53 秒一页，markitdown 只转文字不转排版。

opendataloader-pdf 做到什么程度？

• • 纯 CPU 跑，每秒 60 页，多核多进程超 100 页/秒
• • Apple M4 基准测试，0.015 秒一页
• • 复杂表格、扫描件、多栏布局——自动启用 hybrid 模式
• • 不要 GPU、不要云端、连 API Key 都省了

▲ 16.8K Star，Apache 2.0，LangChain 已原生集成。

02 精度对比：全面领先

纯模式比 mineru 快 400 倍，hybrid 比 mineru 快 12 倍，精度还更高。

03 怎么做到的？

混合识别管线：简单页直走文本提取（0.015 秒），复杂页自动走 hybrid 识别（0.46 秒）。不暴力 OCR，不一刀切。

• • 数字 PDF → 直读，秒级出 Markdown
• • 扫描 PDF → 自动 OCR，80+ 语言
• • 多栏布局 → XY-Cut++ 算法保阅读顺序
• • 表格 → 自动识别，93% 准确率
• • 页眉页脚 → 智能过滤

每个元素都有精确的位置信息——页码、bounding box、坐标。

04 RAG 友好度

PDF 解析器在 RAG 场景里最大的问题是不保真。LLM 回答了某个数据，你不知道它到底从 PDF 哪一行拿到的。

opendataloader-pdf 的解决方式：每个元素都绑定精确位置。

输出里每一个段落、每一行、每一张表格，都带着它在原始 PDF 中的坐标和页码。LLM 回答时引用哪一段，你能追溯到原始 PDF 的那一行。

还有一层安全过滤——自动检测并滤除 PDF 里的隐性 prompt injection。

05 安装

pip install opendataloader-pdf

import opendataloader_pdf as odlresult = odl.convert(    input_path="report.pdf",    output_dir="output/",    format="markdown,json")

批量处理：

# 一次处理多个 PDFopendataloader-pdf file1.pdf file2.pdf folder/# 扫描件自动 OCRopendataloader-pdf --force-ocr --ocr-lang "ch_sim,en" scan.pdf# 复杂表格 hybrid 模式opendataloader-pdf --hybrid docling-fast complex.pdf

LangChain 也可以直接调用：

from langchain_opendataloader_pdf import OpenDataLoaderPDFLoaderloader = OpenDataLoaderPDFLoader("report.pdf")docs = loader.load()

06 写在最后

PDF 解析跑在 GPU 上，这件事本来就不合理。

opendataloader-pdf 证明了纯 CPU 方案也能把速度和精度都做到第一。

LangChain 原生集成——RAG 管线的标配。

项目地址：https://github.com/opendataloader-project/opendataloader-pdf文档：https://opendataloader.org