OpenDataLoader PDF

面向 AI 的 PDF 解析器。自动化 PDF 无障碍功能。开源。

🔍 用于 AI 数据提取的 PDF 解析器 — 从任何 PDF 中提取 Markdown、JSON（带边界框）和 HTML。基准测试排名第一（总体 0.907）。具有确定性的本地模式以及适用于复杂页面的混合 AI 模式。

• 准确度如何？ — 基准测试排名第一：总体准确率为 0.907，表格准确率为 0.928，测试对象涵盖 200 个真实场景中的多栏文档和科技论文。提供确定性的本地模式以及适用于复杂页面的混合 AI 模式（基准测试）
• 扫描版 PDF 和 OCR 呢？ — 支持。混合模式内置 OCR 功能（支持 80 多种语言）。即使在 300 DPI 及以上分辨率下，也能处理质量较差的扫描件（混合模式）
• 表格、公式、图片、图表呢？ — 支持。复杂的无边框表格、LaTeX 公式以及由 AI 生成的图片/图表描述均可通过混合模式实现（混合模式）
• 如何将其用于 RAG？ — 使用 pip install opendataloader-pdf，只需三行代码即可完成转换。输出结构化的 Markdown 以供分块处理，带有边界框的 JSON 用于来源引用，以及 HTML。支持 LangChain 集成。提供 Python、Node.js 和 Java SDK（快速入门 | LangChain 集成）

♿ PDF 无障碍自动化 — 同样的布局分析引擎也可用于自动标记。首个开源工具，可端到端生成 Tagged PDF（预计于 2026 年第二季度推出）。

• 问题是什么？ — 目前全球范围内均已强制执行无障碍法规。手动修复 PDF 每份需花费 50 至 200 美元，且无法规模化（法规）
• 免费部分是什么？ — 布局分析 + 自动标记（2026 年第二季度，Apache 2.0 许可证）。输入未标记的 PDF，输出 Tagged PDF。无需依赖专有 SDK（自动标记预览）
• PDF/UA 合规呢？ — 将 Tagged PDF 转换为 PDF/UA-1 或 PDF/UA-2 属于企业级附加功能。自动标记生成 Tagged PDF；PDF/UA 导出则是最后一步（流程）
• 为何值得信赖？ — 本项目与 Dual Lab（veraPDF 的开发者）合作开发，基于 PDF 协会 的规范、最佳实践指南以及 PDF 社区 的专业知识。自动标记遵循 Well-Tagged PDF 规范，并通过 veraPDF 验证（合作）

30 秒快速入门

所需条件: Java 11+ 和 Python 3.10+（Node.js | Java 亦可用）

在开始之前，请运行 java -version。若未找到，请从 Adoptium 安装 JDK 11+。

pip install -U opendataloader-pdf

import opendataloader_pdf

# 批量处理所有文件只需一次调用 — 每次调用 convert() 都会启动一个 JVM 进程，因此重复调用效率较低
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

带注释的 PDF 输出 — 每个元素（标题、段落、表格、图片）均被检测到，并附有边界框及语义类型。

本工具能解决哪些问题？

问题	解决方案	状态
解析过程中 PDF 结构丢失 — 阅读顺序错误、表格损坏、缺少元素坐标	确定性的本地模式可将 PDF 转换为带边界框的 Markdown/JSON，并采用 XY-Cut++ 阅读顺序	已发布
复杂表格、扫描版 PDF、公式、图表 需要 AI 级别的理解	混合模式会将复杂页面路由至 AI 后端（基准测试排名第一）	已发布
PDF 无障碍合规 — EAA、ADA、第 508 条款已被强制执行。手动修复每份文档需花费 50–200 美元	自动标记：布局分析 → Tagged PDF（免费，2026 年第二季度）。与 PDF 协会合作开发，并通过 veraPDF 验证。PDF/UA 导出（企业级附加功能）	自动标记：2026 年第二季度

功能矩阵

功能	支持情况	等级
数据提取
提取具有正确阅读顺序的文本	是	免费
为每个元素提供边界框	是	免费
表格提取（简单边框）	是	免费
表格提取（复杂/无边框）	是	免费（混合模式）
标题层级检测	是	免费
列表检测（编号、项目符号、嵌套列表）	是	免费
带坐标信息的图像提取	是	免费
AI图表/图像描述	是	免费（混合模式）
扫描PDF的OCR	是	免费（混合模式）
公式提取（LaTeX）	是	免费（混合模式）
标签化PDF结构提取	是	免费
AI安全（提示注入过滤）	是	免费
页眉/页脚/水印过滤	是	免费
可访问性
自动标签→为未标记PDF生成标签化PDF	预计2026年第二季度推出	免费（Apache 2.0）
PDF/UA-1、PDF/UA-2导出	💼 可用	企业版
可访问性工作室（可视化编辑器）	💼 可用	企业版
限制
处理Word/Excel/PPT文件	否	—
是否需要GPU	否	—

提取基准测试

opendataloader-pdf [混合模式]在阅读顺序、表格和标题提取准确度方面综合排名第一（0.907分）。

引擎	综合得分	阅读顺序	表格	标题	速度（秒/页）
opendataloader [混合模式]	0.907	0.934	0.928	0.821	0.463
docling	0.882	0.898	0.887	0.824	0.762
nutrient	0.880	0.924	0.662	0.811	0.230
marker	0.861	0.890	0.808	0.796	53.932
unstructured [hi_res]	0.841	0.904	0.588	0.749	3.008
edgeparse	0.837	0.894	0.717	0.706	0.036
opendataloader	0.831	0.902	0.489	0.739	0.015
mineru	0.831	0.857	0.873	0.743	5.962
pymupdf4llm	0.732	0.885	0.401	0.412	0.091
unstructured	0.686	0.882	0.000	0.388	0.077
markitdown	0.589	0.844	0.273	0.000	0.114
liteparse	0.576	0.866	0.000	0.000	1.061

分数已归一化至[0, 1]。准确度越高越好；速度越低越好。加粗表示最佳。完整基准测试详情

我应该使用哪种模式？

您的文档	模式	安装	服务器命令	客户端命令
标准数字PDF	快速（默认）	pip install opendataloader-pdf	无需额外操作	opendataloader-pdf file1.pdf file2.pdf folder/
复杂或嵌套表格	混合模式	pip install "opendataloader-pdf[hybrid]"	opendataloader-pdf-hybrid --port 5002	opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/
扫描或基于图像的PDF	混合模式+OCR	pip install "opendataloader-pdf[hybrid]"	opendataloader-pdf-hybrid --port 5002 --force-ocr	opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/
非英语扫描PDF	混合模式+OCR	pip install "opendataloader-pdf[hybrid]"	opendataloader-pdf-hybrid --port 5002 --force-ocr --ocr-lang "ko,en"	opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/
数学公式	混合模式+公式	pip install "opendataloader-pdf[hybrid]"	opendataloader-pdf-hybrid --enrich-formula	opendataloader-pdf --hybrid docling-fast --hybrid-mode full file1.pdf file2.pdf folder/
需要描述的图表	混合模式+图片	pip install "opendataloader-pdf[hybrid]"	opendataloader-pdf-hybrid --enrich-picture-description	opendataloader-pdf --hybrid docling-fast --hybrid-mode full file1.pdf file2.pdf folder/
未标记且需提升可访问性的PDF	自动标签→生成标签化PDF	预计2026年第二季度推出	—	—

快速入门

Python

pip install -U opendataloader-pdf

import opendataloader_pdf

# 批量处理所有文件只需一次调用——每次convert()都会启动一个JVM进程，因此重复调用会很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

Node.js

npm install @opendataloader/pdf

import { convert } from '@opendataloader/pdf';

await convert(['file1.pdf', 'file2.pdf', 'folder/'], {
  outputDir: 'output/',
  format: 'markdown,json'
});

Java

<dependency>
  <groupId>org.opendataloader</groupId>
  <artifactId>opendataloader-pdf-core</artifactId>
</dependency>

Python快速入门 | Node.js快速入门 | Java快速入门

混合模式：复杂PDF提取准确度第一

混合模式结合了快速的本地Java处理与AI后端。简单页面保留在本地处理（0.02秒）；复杂页面则路由到AI以实现超过90%的表格提取准确度。

pip install -U "opendataloader-pdf[hybrid]"

终端1——启动后端服务器：

opendataloader-pdf-hybrid --port 5002

终端2——处理PDF文件：

# 批量处理所有文件只需一次调用——每次调用都会启动一个JVM进程，因此重复调用会很慢
opendataloader-pdf --hybrid docling-fast file1.pdf file2.pdf folder/

Python：

# 批量处理所有文件只需一次调用——每次convert()都会启动一个JVM进程，因此重复调用会很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    hybrid="docling-fast"
)

扫描PDF的OCR

对于没有可选文本的基于图像的PDF，请使用--force-ocr选项启动后端：

opendataloader-pdf-hybrid --port 5002 --force-ocr

对于非英语文档，需指定语言：

opendataloader-pdf-hybrid --port 5002 --force-ocr --ocr-lang "ko,en"

支持的语言包括：英语、韩语、日语、简体中文、繁体中文、德语、法语、阿拉伯语等。

公式提取（LaTeX）

从科学PDF中提取数学公式并以LaTeX格式输出：

# 服务器端启用公式增强功能
opendataloader-pdf-hybrid --enrich-formula

# 一次性批量处理所有文件 — 每次调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader-pdf --hybrid docling-fast --hybrid-mode full file1.pdf file2.pdf folder/

输出为 JSON 格式：

{
  "type": "formula",
  "page number": 1,
  "bounding box": [226.2, 144.7, 377.1, 168.7],
  "content": "\\frac{f(x+h) - f(x)}{h}"
}

注意：公式和图片描述增强功能需要在客户端使用 --hybrid-mode full。

图表与图片描述

为图表和图片生成 AI 描述 — 对 RAG 搜索和辅助性替代文本非常有用：

# 服务器端
opendataloader-pdf-hybrid --enrich-picture-description

# 一次性批量处理所有文件 — 每次调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader-pdf --hybrid docling-fast --hybrid-mode full file1.pdf file2.pdf folder/

输出为 JSON 格式：

{
  "type": "picture",
  "page number": 1,
  "bounding box": [72.0, 400.0, 540.0, 650.0],
  "description": "一个条形图，显示从 2016 年到 2030 年各地区的废弃物产生情况……"
}

使用 SmolVLM（256M），这是一种轻量级视觉模型。可通过 --picture-description-prompt 支持自定义提示。

Hancom 数据加载器集成 — 即将推出

通过 Hancom 数据加载器 实现企业级 AI 文档分析 — 客户可基于其领域特定文档训练自定义模型。支持 30 多种元素类型（表格、图表、公式、标题、脚注等），基于 VLM 的图像/图表理解，复杂表格提取（合并单元格、嵌套表格），针对扫描文档的 SLA 保障 OCR，以及原生 HWP/HWPX 支持。支持 PDF、DOCX、XLSX、PPTX、HWP、PNG、JPG 等格式。在线演示

混合模式指南

输出格式

格式	使用场景
JSON	带有边界框和语义类型的结构化数据
Markdown	用于 LLM 上下文和 RAG 分块的纯文本
HTML	带样式的网页展示
带标注的 PDF	可视化调试 — 查看检测到的结构（示例)
文本	纯文本提取

组合格式：format="json,markdown"

JSON 输出示例

{
  "type": "heading",
  "id": 42,
  "level": "Title",
  "page number": 1,
  "bounding box": [72.0, 700.0, 540.0, 730.0],
  "heading level": 1,
  "font": "Helvetica-Bold",
  "font size": 24.0,
  "text color": "[0.0]",
  "content": "引言"
}

字段	描述
type	元素类型：标题、段落、表格、列表、图片、标题、公式
id	用于交叉引用的唯一标识符
page number	以 1 为起始的页码参考
bounding box	[left, bottom, right, top]，单位为 PDF 点（72pt = 1 英寸）
heading level	标题深度（1+）
content	提取的文本

完整 JSON 模式

高级功能

标记 PDF 支持

当 PDF 包含结构标记时，OpenDataLoader 会提取作者原本设计的 精确布局 — 不需猜测或启发式方法。标题、列表、表格和阅读顺序都将保留自源文件。

# 一次性批量处理所有文件 — 每次 convert() 调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    use_struct_tree=True           # 使用原生 PDF 结构标记
)

大多数 PDF 解析器完全忽略结构标记。了解更多

AI 安全：提示注入防护

PDF 文件可能包含隐藏的提示注入攻击。OpenDataLoader 会自动过滤：

• 隐藏文本（透明字体、零尺寸字体）
• 页面外内容
• 可疑的不可见图层

若要对敏感数据进行脱敏处理（如电子邮件、URL、电话号码 → 替换为占位符），请显式启用：

# 一次性批量处理所有文件 — 每次调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader-pdf file1.pdf file2.pdf folder/ --sanitize

AI 安全指南

LangChain 集成

pip install -U langchain-opendataloader-pdf

from langchain_opendataloader_pdf import OpenDataLoaderPDFLoader

loader = OpenDataLoaderPDFLoader(
    file_path=["file1.pdf", "file2.pdf", "folder/"],
    format="text"
)
documents = loader.load()

LangChain 文档 | GitHub | PyPI

高级选项

# 一次性批量处理所有文件 — 每次 convert() 调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="json,markdown,pdf",
    image_output="embedded",        // "off"、"embedded"（Base64）或 "external"（默认）
    image_format="jpeg",            // "png" 或 "jpeg"
    use_struct_tree=True,           // 使用原生 PDF 结构
)

完整 CLI 选项参考

PDF 无障碍访问与 PDF/UA 转换

问题：数百万现有 PDF 文件缺乏结构标记，无法满足无障碍法规（EAA、ADA/第 508 条、韩国数字包容法）。手动修复每份文档的成本为 50–200 美元，且难以规模化。

OpenDataLoader 的解决方案：与 PDF Association 和 Dual Lab（veraPDF 的开发者，行业标准的开源 PDF/A 和 PDF/UA 验证工具）合作开发。自动标记遵循 Well-Tagged PDF 规范，并通过 veraPDF 进行程序化验证 — 自动检查 PDF 无障碍标准，而非人工审核。目前尚无任何开源工具能够端到端生成标记 PDF — 大多数依赖专有 SDK 完成标记写入步骤。而 OpenDataLoader 则在 Apache 2.0 许可下实现了全流程。（合作详情）

法规	截止日期	要求
欧洲无障碍法案 (EAA)	2025 年 6 月 28 日	欧盟范围内可访问的数字产品
ADA 与第 508 条	已生效	美国联邦机构和公共场所
数字包容法	已生效	韩国数字服务的可访问性

標準與驗證

方面	詳細
規範	PDF協會的良好標記的PDF
驗證	veraPDF — 行業標準的開源PDF/A及PDF/UA驗證工具
合作	PDF協會 + Dual Lab（veraPDF開發者）共同開發標記與驗證功能
許可證	自動標記 → 標記PDF：Apache 2.0（免費）。PDF/UA匯出：企業版

可訪問性流程

步驟	功能	狀態	等級
1. 審計	讀取現有PDF標記，檢測未標記的PDF	已推出	免費
2. 自動標記 → 標記PDF	為未標記的PDF生成結構標記	2026年第二季即將推出	免費（Apache 2.0）
3. 匯出PDF/UA	轉換為符合PDF/UA-1或PDF/UA-2標準的檔案	💼 可用	企業版
4. 視覺編輯	可訪問性工作室 — 審查並修復標記	💼 可用	企業版

💼 企業版功能 可根據需求提供。請聯絡我們 (聯繫我們) 開始使用。

自動標記預覽（2026年第二季即將推出）

# API形狀預覽 — 2026年第二季可用
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    auto_tag=True                   # 為未標記的PDF生成結構標記
)

端到端合規工作流程

現有PDF（未標記）
    │
    ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│  1. 審計       │───>│  2. 自動標記    │───>│  3. 匯出       │───>│  4. 工作室       │
│  （檢查標記）   │    │  （→ 標記PDF） │    │  （PDF/UA）        │    │  （視覺編輯器） │
└─────────────────┘    └─────────────────┘    └─────────────────┘    └─────────────────┘
        │                      │                      │                      │
        ▼                      ▼                      ▼                      ▼
  use_struct_tree         auto_tag              PDF/UA匯出       可訪問性工作室
  （現已可用）    （2026年第二季，Apache 2.0）    （企業版）          （企業版）

PDF可訪問性指南

路線圖

功能	時程	等級
自動標記 → 標記PDF — 從未標記的PDF生成標記PDF	2026年第二季	免費
Hancom資料加載器 — 企業級AI文檔分析、客戶自定義模型、基於VLM的圖表/影像理解、生產級OCR	2026年第二至第三季	計劃中
結構驗證 — 驗證PDF標記樹	2026年第二季	計劃中

完整路線圖

常見問題

對於RAG來說，最好的PDF解析器是什麼？

對於RAG管道，你需要一個能保留文檔結構、維持正確閱讀順序，並提供元素坐標以供引用的解析器。OpenDataLoader正是為此設計——它輸出帶有邊界框的結構化JSON，能處理多欄佈局並採用XY-Cut++技術，且可在本地運行而無需GPU。在混合模式下，它在基準測試中總體排名第一（0.907）。

最佳的開源PDF解析器是什麼？

OpenDataLoader PDF是唯一結合以下特點的開源解析器：基於規則的確定性提取（無需GPU）、每個元素的邊界框、XY-Cut++閱讀順序、內建AI安全過濾器、原生標記PDF支持，以及用於複雜文檔的混合AI模式。它在整體準確率上排名第一（0.907），同時可在CPU上本地運行。

如何從PDF中提取表格以供LLM使用？

OpenDataLoader通過邊界分析和文本聚類來檢測表格，並保持行/列結構。對於複雜表格，啟用混合模式可將準確率提升超過90%（TEDS分數從0.489提高到0.928）：

# 批量處理所有文件一次調用 — 每次convert()都會啟動一個JVM進程，因此重複調用會很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="json",
    hybrid="docling-fast"           # 用於複雜表格
)

它與docling、marker或pymupdf4llm相比如何？

OpenDataLoader [混合]模式在閱讀順序、表格和標題準確性方面總體排名第一（0.907）。主要差異如下：docling（0.882）表現強勁，但缺乏邊界框和AI安全過濾器；marker（0.861）需要GPU，且速度慢1000倍（53.932秒/頁）；pymupdf4llm（0.732）速度快，但表格（0.401）和標題（0.412）準確性較差。OpenDataLoader是唯一一款結合確定性本地提取、每個元素的邊界框，以及內建提示注入防護的解析器。詳見完整基準測試。

我可以在不將數據傳送到雲端的情況下使用它嗎？

可以。OpenDataLoader完全在本地運行。無需API調用，也無數據傳輸——您的文檔永遠不會離開您的環境。混合模式的後端也在您自己的機器上運行。非常適合法律、醫療保健和金融文檔。

它是否支援掃描PDF的OCR？

是的，通過混合模式實現。安裝時使用pip install "opendataloader-pdf[hybrid]"，啟動後端時加上--force-ocr，然後照常處理即可。支援多種語言，包括韓語、日語、中文、阿拉伯語等，可通過--ocr-lang指定。

它適用於韓語、日語或中文文檔嗎？

是的。對於數字PDF，文本提取可直接使用。對於掃描PDF，請使用混合模式並搭配--force-ocr --ocr-lang "ko,en"（或ja、ch_sim、ch_tra）。即將推出的Hancom資料加載器整合——企業級AI文檔分析，內建生產級OCR，並根據您的特定文檔類型和工作流程優化客戶自定義模型。

它的速度如何？

本地模式在CPU上每秒可處理60頁以上（0.02秒/頁）。混合模式每秒可處理2頁以上（0.46秒/頁），對複雜文檔的準確性顯著更高。無需GPU。已在Apple M4上進行了基準測試。完整基準測試詳情。透過多進程批量處理，在8核心以上的機器上，吞吐量可超過每秒100頁。

它能否處理多欄佈局？

是的。OpenDataLoader使用XY-Cut++閱讀順序分析技術，可正確地排列跨多欄頁面、側欄及混合佈局中的文字順序。這在本地模式和混合模式下均有效，無需任何配置。

什么是混合模式？

混合模式将快速的本地 Java 处理与 AI 后端相结合。简单的页面会在本地处理（0.02 秒/页）；而复杂页面（表格、扫描内容、公式、图表）则会自动路由到 AI 后端，以获得更高的准确性。后端在您的本地机器上运行——无需云端支持。请参阅我应该使用哪种模式？和混合模式指南。

它能与 LangChain 配合使用吗？

是的。安装 langchain-opendataloader-pdf 即可实现官方的 LangChain 文档加载器集成。详情请参阅 LangChain 文档。

如何为 RAG 切分 PDF？

OpenDataLoader 输出保留标题、表格和列表的结构化 Markdown——这是语义切分的理想输入。JSON 输出中的每个元素都包含 type、heading level 和 page number，因此您可以按章节或页边界进行分割。对于大多数 RAG 流水线：使用 format="markdown" 解析以获取文本块，或者在需要元素级控制时使用 format="json"。配合 LangChain 的 RecursiveCharacterTextSplitter 或您自己的基于标题的切分器，可以获得最佳效果。

如何在 RAG 回答中引用 PDF 来源？

JSON 输出中的每个元素都包含一个边界框（以 PDF 点表示的 [left, bottom, right, top]）和页码。当您的 RAG 流水线返回答案时，可以将来源块映射回其边界框，以高亮显示原始 PDF 中的确切位置。这样就能实现“点击即溯源”的用户体验——用户可以看到答案来自哪一段落、表格或图表。目前没有其他开源解析器默认为每个元素提供边界框。

如何将 PDF 转换为 LLM 可用的 Markdown？

import opendataloader_pdf

# 批量处理所有文件只需一次调用——每次调用都会启动一个 JVM 进程，因此重复调用会很慢
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown"
)

OpenDataLoader 在 Markdown 输出中保留了标题层级、表格结构和阅读顺序。对于包含无边框表格或扫描页面的复杂文档，请使用混合模式（hybrid="docling-fast"），以获得更高的准确性。输出结果足够干净，可以直接输入到 LLM 的上下文窗口或 RAG 切分流水线中。

是否有自动化的 PDF 无障碍修复工具？

是的。OpenDataLoader 是首个端到端自动化 PDF 无障碍修复的开源工具。该工具与 PDF Association 和 Dual Lab（veraPDF 开发者）合作开发，自动标记功能遵循 Well-Tagged PDF 规范，并通过 veraPDF 进行程序化验证。布局分析引擎能够检测文档结构（标题、表格、列表、阅读顺序），并自动生成无障碍标签。自动标记功能将于 2026 年第二季度推出，在 Apache 2.0 许可下免费提供，不依赖任何专有 SDK。对于需要完全符合 PDF/UA 标准的组织，企业版附加组件提供了 PDF/UA 导出和可视化标签编辑器功能。这将取代通常每份文档成本达 50–200+ 美元的手动修复流程。

这真的是首个开源的 PDF 自动标记工具吗？

是的。现有的工具要么依赖专有 SDK 来写入结构标签，要么只输出非 PDF 格式（例如，Docling 输出 Markdown/JSON，但无法生成 Tagged PDF），或者需要人工干预。OpenDataLoader 是首个在完全开源许可（Apache 2.0）下完成布局分析→标签生成→Tagged PDF 输出的工具，且没有任何专有依赖。自动标记功能遵循 PDF Association 的 Well-Tagged PDF 规范，并通过行业参考级的开源 PDF/A 和 PDF/UA 验证工具 veraPDF 进行验证。

如何将现有 PDF 转换为 PDF/UA？

OpenDataLoader 提供了一个端到端的流程：先审计现有 PDF 是否包含标签（use_struct_tree=True），然后自动将未标记的 PDF 转换为 Tagged PDF（2026 年第二季度，Apache 2.0 许可下免费提供），最后导出为 PDF/UA-1 或 PDF/UA-2（企业版附加组件）。自动标记功能遵循 PDF Association 的 Well-Tagged PDF 规范，并通过 veraPDF 进行验证。自动标记生成的是 Tagged PDF；PDF/UA 导出则是最后一步。如需企业级集成，请联系我们。

如何使我的 PDF 符合 EAA 合规要求？

《欧洲无障碍法案》要求数字产品在 2025 年 6 月 28 日前达到无障碍标准。OpenDataLoader 支持完整的修复流程：审计→自动标记→Tagged PDF→PDF/UA 导出。自动标记功能遵循 PDF Association 的 Well-Tagged PDF 规范，并通过 veraPDF 进行验证，确保输出符合标准。自动标记至 Tagged PDF 的功能将于 2026 年第二季度以 Apache 2.0 许可开源。PDF/UA 导出和无障碍工作室是企业版附加组件。请参阅我们的无障碍合规指南。

OpenDataLoader PDF 是免费的吗？

核心库采用 Apache 2.0 开源许可——可供商业用途免费使用。这包括所有提取功能（文本、表格、图片、OCR、公式、图表，通过混合模式实现）、AI 安全过滤器、Tagged PDF 支持以及自动标记至 Tagged PDF（2026 年第二季度）。我们致力于保持核心无障碍修复流程（布局分析→自动标记→Tagged PDF）的免费和开源特性。企业版附加组件（PDF/UA 导出、无障碍工作室）适用于需要端到端法规合规的组织。

为什么许可证从 MPL 2.0 更改为 Apache 2.0 ？

MPL 2.0 要求文件级别的 copyleft，这往往会在企业采用前触发法律审查。而 Apache 2.0 则完全宽松——没有 copyleft 义务，更容易集成到商业项目中。如果您正在使用 2.0 版本之前的版本，它仍然受 MPL 2.0 许可约束，您可以继续使用。升级到 2.0 及以上版本意味着您的项目将遵循 Apache 2.0 许可条款，该条款更为宽松——您无需承担额外义务，也无需采取任何行动。

文档

• Python 快速入门
• Node.js 快速入门
• Java 快速入门
• JSON Schema 参考
• CLI 选项参考
• 混合模式指南
• Tagged PDF 支持
• AI 安全功能
• PDF 无障碍

贡献

我们欢迎贡献！请参阅 CONTRIBUTING.md 获取相关指南。

许可证

Apache 2.0 许可证

注意： 2.0 版本之前的版本采用 Mozilla 公共许可证 2.0 许可。

---

觉得有用吗？ 请给项目点个星，帮助更多人发现 OpenDataLoader。

OpenDataLoader PDF 快速上手指南

OpenDataLoader PDF 是一款专为 AI 数据提取和 PDF 无障碍自动化设计的开源解析器。它能将 PDF 转换为 Markdown、JSON（含边界框）、HTML 及带标签的 PDF，在混合模式下拥有业界领先的提取准确率，是构建 RAG（检索增强生成）流水线的理想工具。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows, macOS, 或 Linux
• Java 运行时：必须安装 Java 11 或更高版本。
  • 检查版本：终端运行 java -version
  • 若未安装，推荐从 Adoptium 下载 JDK 11+。
• Python 环境：建议使用 Python 3.10 或更高版本（本指南以 Python 为例，同时也支持 Node.js 和 Java）。

国内开发者提示：如果访问 PyPI 源速度较慢，建议在安装时指定国内镜像源（如清华源或阿里源）。

2. 安装步骤

基础安装（适用于标准数字 PDF）

适用于大多数包含文本层的数字 PDF 文件，速度快且无需额外依赖。

pip install -U opendataloader-pdf
# 国内加速方案：
# pip install -U opendataloader-pdf -i https://pypi.tuna.tsinghua.edu.cn/simple

混合模式安装（适用于复杂/扫描版 PDF）

如果您需要处理扫描件（OCR）、复杂表格、数学公式或图表描述，请安装混合模式版本。此模式结合了本地处理与 AI 后端能力。

pip install "opendataloader-pdf[hybrid]"
# 国内加速方案：
# pip install "opendataloader-pdf[hybrid]" -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

以下是最简单的 Python 使用示例，可将单个文件、多个文件或整个文件夹批量转换为结构化数据。

代码示例

import opendataloader_pdf

# 批量转换：支持传入文件列表或文件夹路径
# 注意：每次调用 convert() 都会启动一个 JVM 进程，建议一次性传入所有文件以避免重复启动开销
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],  # 输入路径
    output_dir="output/",                              # 输出目录
    format="markdown,json"                             # 输出格式：Markdown 用于分块，JSON 含边界框用于引用
)

进阶场景：启用混合模式

若需处理高难度文档（如扫描件或复杂表格），需先启动后端服务，再在客户端调用。

终端 1：启动混合模式后端服务

opendataloader-pdf-hybrid --port 5002

终端 2：运行转换脚本

import opendataloader_pdf

opendataloader_pdf.convert(
    input_path=["scanned_doc.pdf"],
    output_dir="output/",
    format="markdown,json",
    hybrid=True  # 启用混合模式
)

输出说明

执行成功后，output/ 目录下将生成：

• Markdown (.md)：保留标题层级和阅读顺序，适合直接喂给 LLM。
• JSON (.json)：包含每个元素（文本、表格、图片）的语义类型及精确的边界框坐标 (Bounding Boxes)，适合做来源溯源。