夜雨聆风❝OpenDataLoader PDF 是一个面向 RAG、知识库和文档处理场景的 PDF 解析工具，支持将任意PDF转换为Markdown/JSON/HTML格式，并提供本地模式和混合AI模式来处理复杂表格、扫描件、公式和图表，同时，它是首个可端到端自动为无标签 PDF 生成无障碍标签（Tagged PDF）的开源工具。
要点
基准测试排名第一：综合得分 0.907，表格提取准确率 0.928，超越 docling、marker、pymupdf4llm 等同类工具，测试覆盖 200 份包含多栏和学术论文的真实场景 PDF。 双模式架构： 默认本地模式：采用确定性规则和 XY-Cut++ 阅读顺序分析算法，可正确排列多栏、侧边栏和混合排版文本。纯 CPU 运行，无 GPU 依赖，速度可达 60 页/秒（0.015 秒/页）。 混合 AI 模式：自动将复杂页面（复杂表格、扫描件、公式、图表）路由至本地 AI 后端，以提升准确率。 输出格式灵活：支持 JSON、Markdown、HTML、纯文本、注释 PDF，可组合输出；其中，JSON 输出包含每个元素的精确边界框（Bounding Box）坐标和页面编号，支持在 RAG 管道中实现“点击溯源（Click to source）”用户体验，可在原始 PDF 对应位置进行高亮显示。 PDF 无障碍自动化：首个端到端开源的自动标记工具，可将无标签 PDF 转换为符合 Well-Tagged PDF 规范的 Tagged PDF（Apache 2.0 免费）；PDF/UA-1/UA-2 导出为商业企业功能。 内置 OCR 与公式/图表理解：混合模式支持 80+ 语言 OCR、LaTeX 公式提取、图表 AI 描述生成（基于 SmolVLM 256M 轻量视觉模型）。 AI 安全防护：自动过滤 PDF 中的隐藏文本、透明字体、离页内容等提示注入攻击，可选开启敏感数据脱敏（邮箱、URL、电话 → 占位符）。 多语言 SDK 与生态集成：提供 Python、Node.js、Java SDK，并有官方 LangChain 文档加载器（langchain-opendataloader-pdf）支持。 明确局限：不支持 Word/Excel/PPT 文件处理；混合模式的公式和图表描述需客户端开启 --hybrid-mode full。数据隐私保护：工具及混合模式 AI 后端均 100% 在本地环境运行，无外部 API 调用，数据不离开本地设备，适用于法律、医疗和金融等机密文档的处理。
部署
基础安装（本地模式）：
前置依赖：Java 11+（需提前安装 JDK，如 Adoptium）、Python 3.10+
安装命令：
pip install -U opendataloader-pdf使用示例（Python）：
import opendataloader_pdfopendataloader_pdf.convert( input_path=["file1.pdf", "file2.pdf", "folder/"], output_dir="output/", format="markdown,json")
混合模式（高精度场景）：
安装： pip install "opendataloader-pdf[hybrid]"需先启动本地后端服务器： opendataloader-pdf-hybrid --port 5002客户端命令： opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/扫描件 OCR 需加 --force-ocr；非英语指定语言如--ocr-lang "ko,en"
项目由 OpenDataLoader 项目团队（opendataloader-project） 开发，采用 Apache License 2.0 协议，当前 28.1k Stars。
❝项目地址：github.com/opendataloader-project/opendataloader-pdf