ما هو OpenDataLoader PDF؟
يحوّل OpenDataLoader PDF ملفات PDF إلى بيانات جاهزة للذكاء الاصطناعي: Markdown للتقسيم، وJSON مع مربعات إحاطة للاستشهاد بالمصادر، وHTML، أو ملف PDF موضَّح بتعليقات. يقرأ العناوين والجداول والقوائم وترتيب القراءة، ويحتفظ JSON بمستويات العناوين والخطوط وموضع كل عنصر. ويأتي كمكتبة مع حزم SDK لـ Python وNode.js وJava وأداة سطر أوامر.
الجهة المطوِّرة هي منظمة GitHub باسم opendataloader-project، ويرد في تذييل الموقع "© 2026 OpenDataLoader". وتقول الصفحة الرئيسية إن عمل إمكانية الوصول طُوّر مع Hancom ومع Dual Lab التي تصفها الصفحة الرئيسية بأنها من مطوّري veraPDF؛ ولا تقول إن Hancom هي التي تصنع المحلّل. ولا تسمّي المصادر الكيان القانوني الذي يصون المشروع. أما المنتج المؤسسي المنفصل Hancom Data Loader فمدرج بعبارة "قريبًا" وليس جزءًا من النواة مفتوحة المصدر.
كيف تحصل عليه
يُثبَّت OpenDataLoader PDF من مدير حزم بعد توفر بيئة تشغيل Java. لا يوجد مثبّت لسطح المكتب ولا صفحة في متجر تطبيقات.
الخيار | مصدر الحصول عليه |
|---|---|
| Python (pip) | Java 11+، ثم pip install -U opendataloader-pdf (PyPI)؛ ويضيف أداة سطر الأوامر |
| Node.js | @opendataloader/pdf على npm، وفق البدء السريع لـ Node.js |
| Java (Maven) | org.opendataloader:opendataloader-pdf-core، وفق البدء السريع لـ Java |
| الوضع الهجين | `pip install "opendataloader-pdf[hybrid]"`؛ ويقول README إن أول تنزيل للنموذج قد يستغرق دقائق |
| أرشيف CLI | opendataloader-pdf-cli-2.5.22.zip على GitHub Releases |
| الموقع الرسمي | opendataloader.org |
| سياسة الخصوصية | سياسة الخصوصية، المرتبطة من تذييل الموقع؛ وتحتاج الصفحة إلى JavaScript لتُعرض |
| الشيفرة المصدرية | github.com/opendataloader-project/opendataloader-pdf، Apache 2.0 |
الإصدار الذي رُوجع: 2.5.22، الصادر في 12 نوفمبر 2026؛ وآخر تحديث من المشروع في 14 نوفمبر 2026. يلزم طرفية وبيئة تطوير: يجب أن يكون Java 11 أو أحدث في PATH (تحقق بالأمر java -version) ويلزم Python 3.11 أو أحدث لمسار pip. وتذكر صفحة البدء السريع Python 3.10 بينما يذكر README وPyPI الإصدار 3.11، لذا اتبع PyPI. ولا ينشر المشروع قائمة بأنظمة التشغيل؛ وتصف PyPI الحزمة بأنها مستقلة عن نظام التشغيل.
تدفق البيانات المحلي والهجين
في وضعه الافتراضي يعمل المحلّل على جهازك: يقول README "100% locally" و"No API calls, no data transmission"، وتقول الصفحة الرئيسية "No API keys, no cloud". لا يلزم GPU، ولا يُنشر رقم لـ RAM.
يضيف الوضع الهجين OCR ومعالجة المعادلات والمخططات ودقة أفضل للجداول بإرسال الصفحات الصعبة إلى خلفية ذكاء اصطناعي. وهذه الخلفية افتراضيًا خادم محلي على 127.0.0.1، ووصف الصور يستخدم نموذج SmolVLM-256M محليًا، لكن الخيار --hybrid-url يقبل أي عنوان. وإذا وجّهته إلى خادم بعيد فستُرسل صفحاتك إليه، ولن تصف عبارة "لا سحابة" إعدادك.
📌ملاحظة: هذه تصريحات الجهة المطوِّرة وليست نتائج تدقيق. لم تفحص PromptQuorum حركة الشبكة ولا الشيفرة.
الميزات التي أكدتها المصادر
كل بند أدناه مأخوذ من الموقع أو README أو PyPI؛ ولم يُختبر أي منها هنا.
- تحليل التخطيط. تستعيد خوارزمية XY-Cut++ ترتيب القراءة؛ وتُستخرج الجداول بما فيها الخلايا المدموجة.
- الاستشهادات. يحمل كل عنصر في JSON مربع إحاطة، فيمكن لإجابة ما أن تشير إلى موضع في الصفحة.
- OCR. متاح في الوضع الهجين فقط؛ والمحرك الافتراضي EasyOCR، ومن البدائل RapidOCR وTesseract وApple Vision (على macOS فقط) وNVIDIA Nemotron (على Linux x86_64 مع CUDA) واختيار تلقائي. ويزعم المشروع دعم أكثر من 80 لغة دون تفصيل لكل محرك.
- تصفية سلامة الذكاء الاصطناعي. يمكن تصفية النص المخفي والمحتوى خارج الصفحة وأنماط حقن الأوامر (prompt injection) قبل وصول النص إلى النموذج.
- LangChain. توفّر الحزمة
langchain-opendataloader-pdfمحمّلًا باسمOpenDataLoaderPDFLoader، ويوجد دليل تكامل RAG منشور. - الوسم التلقائي لإمكانية الوصول. يمكن وسم ملفات PDF غير الموسومة وفق مواصفة Well-Tagged PDF والتحقق منها بـ veraPDF؛ أما تصدير PDF/UA فيعود إلى الفئة المؤسسية.
القياسات: ادعاءات المطوّر
ادعاء "#1 in benchmarks" على الصفحة الرئيسية وفي README مصدره opendataloader-bench الخاص بالمشروع نفسه، وينطبق على الوضع الهجين فقط. وتُوصف المنهجية في صفحة القياس؛ ولم تعِد PromptQuorum إنتاج أي رقم.
- الدرجة الإجمالية: 0.907 في الوضع الهجين مقابل 0.831 بدونه.
- دقة الجداول (TEDS): 0.928 في الوضع الهجين مقابل 0.489 بدونه.
- اكتشاف العناوين: Docling 0.824، والوضع الهجين 0.821، وغير الهجين 0.739، فالادعاء لا يصح في كل فئة.
- السرعة لكل صفحة: Nutrient 0.008 ثانية، وOpenDataLoader محليًا 0.015، والوضع الهجين 0.463؛ ويقول قسم الأسئلة الشائعة في README أيضًا "60+ pages per second".
الترخيص والتسعير
الشيفرة مرخّصة بموجب Apache 2.0، وفق ملف LICENSE في المستودع؛ أما الإصدارات السابقة للإصدار 2.0 فكانت بموجب MPL 2.0. النواة وAudit وAuto-tag مجانية الاستخدام.
تضيف فئة مؤسسية تصدير PDF/UA واستوديو تحرير مرئيًا. ولا يُنشر سعر، وتُرسل الطلبات عبر صفحة الاتصال.
لمن يناسب
- بُناة RAG الذين يحتاجون Markdown أو JSON منظمًا مع المواضع من ملفات PDF التي يملكونها بالفعل.
- الفرق التي لديها بيئة Java وتقبل تثبيت JDK قبل حزمة Python.
- فرق إمكانية الوصول التي تريد وسم ملفات PDF الموجودة تلقائيًا وفحصها بـ veraPDF.
ما لم نتمكن من التحقق منه
- الدقة والسرعة. كل الأرقام من المشروع؛ ولم تقِس PromptQuorum أيًّا منها.
- القياس عن بُعد. لم يُعثر على أي تصريح، فلا يُفترض شيء في أي اتجاه.
- Docker. تعرض الصفحة الرئيسية مسار حاوية، لكن README لا يذكره ولم يُعثر على صورة.
- أنظمة التشغيل. لا تُنشر قائمة دعم، وتعمل مسارات CI التي فُحصت على Linux.
- أنواع الملفات الأخرى. لا تعالج النواة مدخلات Word وExcel وPowerPoint والصور؛ وHancom Data Loader معلن عنه ولم يصدر.
- الجهة المسؤولة عن الصيانة. لا يُسمّى الكيان القانوني وراء المشروع.
المنافسون والبدائل
Xberg
- المنصات:
- Mac وWindows وLinux
- السعر / الترخيص:
- مجاني / MIT
- الفرق الرئيسي:
- محرك Rust يقرأ أيضًا ملفات Office والصوت وعناوين URL؛ بينما يقرأ OpenDataLoader PDF ملفات PDF فقط
مقالات حول Xberg (1)
- Xberg Review: Open-Source Document Intelligence for LLM and RAG Pipelinesمحدَّث ٣٠ أكتوبر ٢٠٢٦
مذكور أيضًا في:
- Docling Review: Open-Source PDF and Document Parser for RAGمحدَّث ١٥ نوفمبر ٢٠٢٦
CocoIndex
- المنصات:
- Mac وWindows وLinux
- السعر / الترخيص:
- مجاني / Apache 2.0
- الفرق الرئيسي:
- إطار خطوط معالجة يُبقي الفهرس محدّثًا؛ ويحتاج إلى محلّل مثل هذا ولا يحل محله
مقالات حول CocoIndex (1)
- CocoIndex Review: Incremental Data Framework for RAG and AI Agentsمحدَّث ٨ نوفمبر ٢٠٢٦
يظهر Docling وNutrient في جدول القياس الخاص بالمشروع، وهو المقارنة الوحيدة التي تعتمد عليها هذه المراجعة. تأكد من السعر والترخيص والمنصات الحالية لكل أداة في صفحتها الخاصة قبل الاختيار.
الأسئلة الشائعة
هل يمكنني استخدامه دون كتابة Python؟
نعم. تثبّت حزمة pip أداة سطر أوامر، وتوجد حزم SDK لـ Node.js وJava، لكن كل المسارات تتطلب Java 11 أو أحدث على الجهاز.
لماذا يكون كل استدعاء بطيئًا عند المرور على الملفات في حلقة؟
يقول README إن كل استدعاء لـ convert() يبدأ عملية JVM، لذا يوصي بتمرير ملفات كثيرة أو مجلد كامل في استدعاء واحد.
هل يعمل مع ملفات PDF الممسوحة ضوئيًا؟
عبر الوضع الهجين فقط، الذي يشغّل OCR؛ ولا يفعل الوضع الافتراضي ذلك.
هل Hancom Data Loader هو المنتج نفسه؟
لا. إنه منتج مؤسسي منفصل يُخطَّط أن يقرأ DOCX وXLSX وPPTX وHWP والصور؛ وقد ذكر README هدفًا في الربع الثاني أو الثالث من 2026، وكان لا يزال غير صادر وقت المراجعة.
كيف أضيفه إلى خط LangChain؟
ثبّت langchain-opendataloader-pdf واستخدم OpenDataLoaderPDFLoader فيه، كما يوضح README.
الخلاصة
OpenDataLoader PDF طريقة تصدر إصداراتها بنشاط وبترخيص Apache 2.0 للحصول على Markdown وJSON منظمين مع المواضع من ملفات PDF، ويُوثَّق وضعه الافتراضي بأنه محلي بالكامل. في المقابل، يحتاج إلى Java قبل pip، ويقرأ ملفات PDF فقط، ويحتل المرتبة الأولى في قياس كتبه المشروع بنفسه وفي الوضع الهجين فقط، ويترك القياس عن بُعد وجهة الصيانة دون تصريح، ولم تختبره PromptQuorum. يناسب المطورين الذين يغذّون RAG بملفات PDF ويقبلون إعدادًا عبر الطرفية؛ أما للملفات غير PDF فقارن مع Xberg.
المصادر
- موقع OpenDataLoader — نظرة عامة على المنتج والقياسات والفئة المؤسسية، روجع في 15 نوفمبر 2026.
- OpenDataLoader PDF على GitHub — README والترخيص والإصدار 2.5.22 ونشاط المستودع، روجع في 15 نوفمبر 2026.
- opendataloader-pdf على PyPI — إصدار الحزمة 2.5.22 ومتطلب Python، روجع في 15 نوفمبر 2026.
- البدء السريع لـ Python — خطوات التثبيت وإصدار Python الذي تذكره، روجع في 15 نوفمبر 2026.
- منهجية القياس — كيف تُنتَج درجات المشروع الخاصة، روجع في 15 نوفمبر 2026.
