Opendataloader pdf

Skill ItamarZand88/awesome-agent-conventions/conventions/skill-md/examples/documents-office/opendataloader-pdf

A curated guide to convention files AI agents read, write, and act on: AGENTS.md, CLAUDE.md, SKILL.md, llms.txt, MCP configs, rules, and examples.

Install

npx -y skills add ItamarZand88/awesome-agent-conventions --skill opendataloader-pdf

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

SKILL.md

4.7 KB, as published. Nobody here has run it

name: opendataloader-pdf description: PDF 数据提取工具。当用户提到"PDF 提取"、"PDF 转 Markdown"、"PDF 解析"、"提取 PDF 内容"、"PDF 转 JSON"、"RAG PDF"时使用。OpenDataLoader PDF 是目前基准测试第一的 PDF 解析器，支持本地模式（快速、确定）和混合 AI 模式（复杂表格、扫描件、公式），输出 Markdown、JSON（带边界框）、HTML。适用于需要从 PDF 提取结构化数据用于 RAG/LLM pipeline，或需要批量处理 PDF 文档的场景。 updated_at: 2026-03-19

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+

pip install -U opendataloader-pdf

混合 AI 模式（复杂表格 / OCR / 公式）：

pip install "opendataloader-pdf[hybrid]"

快速使用

CLI（适合单文件或批量）

# 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

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）

{
  "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