Aller au contenu principal
PromptQuorumConçu pour les humains. Structuré pour l'IA.
Accueil/LLM locaux avancés
RAG & Document Chat

Test d’OpenDataLoader PDF : parseur PDF open source pour RAG

·7 min de lecturePar · Fondateur de PromptQuorum · Moteur de découverte de l'IA open-weight et open source

OpenDataLoader PDF (version 2.5.22) est un parseur open source Apache 2.0 qui convertit des PDF en JSON avec zones englobantes, en Markdown et en HTML pour les pipelines RAG. Il exige Java 11 ou plus récent et un terminal : c’est un outil de développeur, pas une application.

Points clés

  • Maintenance : la dernière version, 2.5.22, date du 12 novembre 2026 et le dépôt a été mis à jour pour la dernière fois le 14 novembre 2026 ; aucun avertissement de projet abandonné ne s’applique.
  • Périmètre : une bibliothèque d’analyse pour développeurs, limitée aux PDF en entrée, avec une fonction facultative de balisage automatique pour l’accessibilité.
  • Coût : le noyau est gratuit ; une offre entreprise existe, sans prix publié.
  • Benchmarks : le classement « n° 1 » est celui du projet lui-même, et il ne vaut que pour le mode hybride.
  • Non vérifié : la télémétrie, le packaging Docker et la liste des systèmes d’exploitation ne sont pas indiqués par le projet.

📍 En une phrase

OpenDataLoader PDF lit un PDF et renvoie son texte, ses tableaux, ses titres et la position de ses éléments sous forme de données structurées qu’un pipeline RAG ou un modèle de langage peut exploiter.

💬 En termes simples

Vous l’exécutez depuis Python, Node.js, Java ou la ligne de commande sur un PDF, et il écrit un fichier Markdown ou JSON qui conserve les titres, les tableaux et l’ordre de lecture au lieu d’un bloc de texte à plat.

📌Remarque: Ce test s’appuie sur le site du projet, le dépôt GitHub et PyPI, consultés le 15 novembre 2026. PromptQuorum n’a pas testé OpenDataLoader PDF : la vitesse, la précision et la consommation de mémoire ne sont donc pas évaluées ici.

OpenDataLoader PDF est un parseur open source qui transforme des fichiers PDF en données structurées pour les pipelines RAG et LLM, et qui peut aussi baliser automatiquement les PDF pour l’accessibilité. C’est une bibliothèque et un outil en ligne de commande, pas une application de bureau ni un service hébergé. Ce test s’appuie sur opendataloader.org, le dépôt GitHub et PyPI, consultés le 15 novembre 2026 ; PromptQuorum ne l’a ni installé ni exécuté.

Test d’OpenDataLoader PDF : parseur PDF open source pour RAG

Qu’est-ce qu’OpenDataLoader PDF ?

OpenDataLoader PDF transforme des PDF en données prêtes pour l’IA : du Markdown pour le découpage en segments, du JSON avec zones englobantes pour citer les sources, du HTML ou un PDF annoté. Il lit les titres, les tableaux, les listes et l’ordre de lecture, et le JSON conserve les niveaux de titre, les polices et la position de chaque élément. Il est livré sous forme de bibliothèque avec des SDK Python, Node.js et Java, et d’outil en ligne de commande.

L’éditeur est l’organisation GitHub opendataloader-project, et le pied de page du site indique « © 2026 OpenDataLoader ». La page d’accueil précise que le travail sur l’accessibilité a été mené avec Hancom et avec Dual Lab, que la page décrit comme un développeur de veraPDF ; elle ne dit pas que Hancom édite le parseur. Les sources ne nomment pas l’entité juridique qui maintient le projet. Un produit entreprise distinct, Hancom Data Loader, est annoncé comme « Coming Soon » et ne fait pas partie du noyau open source.

Où l’obtenir

OpenDataLoader PDF s’installe depuis un gestionnaire de paquets, une fois un environnement d’exécution Java en place. Il n’existe ni installateur de bureau ni fiche dans une boutique d’applications.

Option
Comment l’obtenir
Python (pip)Java 11+, puis pip install -U opendataloader-pdf (PyPI) ; ajoute la CLI
Node.js@opendataloader/pdf sur npm, d’après le guide de démarrage Node.js
Java (Maven)org.opendataloader:opendataloader-pdf-core, d’après le guide de démarrage Java
Mode hybride`pip install "opendataloader-pdf[hybrid]"` ; 1er modèle : plusieurs minutes (README)
Archive CLIopendataloader-pdf-cli-2.5.22.zip sur GitHub Releases
Site webopendataloader.org
Politique de confidentialitéPolitique de confidentialité, liée depuis le pied de page du site ; la page exige JavaScript pour s’afficher
Code sourcegithub.com/opendataloader-project/opendataloader-pdf, Apache 2.0

Version testée : 2.5.22, publiée le 12 novembre 2026 ; dernière mise à jour du projet le 14 novembre 2026. Il faut un terminal et un environnement de développement : Java 11 ou plus récent doit figurer dans le PATH (à vérifier avec java -version) et Python 3.11 ou plus récent est requis pour la voie pip. La page de démarrage indique Python 3.10, alors que le README et PyPI indiquent 3.11 ; suivez PyPI. Le projet ne publie pas de liste de systèmes d’exploitation ; PyPI signale le paquet comme indépendant du système.

Flux de données local et hybride

Dans son mode par défaut, le parseur s’exécute sur votre machine : le README indique « 100% locally » et « No API calls, no data transmission », et la page d’accueil « No API keys, no cloud ». Aucun GPU n’est requis, et aucune valeur de RAM n’est publiée.

Le mode hybride ajoute l’OCR, le traitement des formules et des graphiques et une meilleure précision sur les tableaux, en envoyant les pages difficiles à un serveur d’IA. Par défaut, ce serveur est local, sur 127.0.0.1, et les descriptions d’images utilisent un modèle SmolVLM-256M local, mais l’option --hybrid-url accepte n’importe quelle adresse. Si vous la dirigez vers un serveur distant, vos pages lui sont envoyées et l’affirmation « no cloud » ne décrit plus votre configuration.

📌Remarque: Ce sont des déclarations de l’éditeur, pas des résultats d’audit. PromptQuorum n’a inspecté ni le trafic réseau ni le code.

Fonctions confirmées par les sources

Tous les éléments ci-dessous proviennent du site, du README ou de PyPI ; aucun n’a été testé ici.

  • Analyse de mise en page. L’algorithme XY-Cut++ reconstitue l’ordre de lecture ; les tableaux sont extraits, cellules fusionnées comprises.
  • Citations. Chaque élément du JSON porte une zone englobante, de sorte qu’une réponse peut renvoyer à un emplacement précis de la page.
  • OCR. Disponible uniquement en mode hybride ; le moteur par défaut est EasyOCR, avec RapidOCR, Tesseract, Apple Vision (macOS uniquement), NVIDIA Nemotron (Linux x86_64 avec CUDA) et un choix automatique comme alternatives. Le projet annonce plus de 80 langues, sans détail par moteur.
  • Filtrage de sécurité IA. Le texte caché, le contenu hors page et les motifs d’injection de prompt peuvent être filtrés avant que le texte n’atteigne un modèle.
  • LangChain. Le paquet langchain-opendataloader-pdf fournit un OpenDataLoaderPDFLoader, et un guide d’intégration RAG est publié.
  • Balisage automatique pour l’accessibilité. Les PDF non balisés peuvent l’être selon la spécification Well-Tagged PDF, validée avec veraPDF ; l’export PDF/UA relève de l’offre entreprise.

Benchmarks : les affirmations de l’éditeur

L’affirmation « #1 in benchmarks » de la page d’accueil et du README provient de l’opendataloader-bench du projet lui-même, et elle ne vaut que pour le mode hybride. La méthode est décrite sur la page des benchmarks ; PromptQuorum n’a reproduit aucun chiffre.

  • Score global : 0.907 en mode hybride contre 0.831 sans.
  • Précision des tableaux (TEDS) : 0.928 en mode hybride contre 0.489 sans.
  • Détection des titres : Docling 0.824, hybride 0.821, non hybride 0.739 ; l’affirmation ne vaut donc pas dans toutes les catégories.
  • Vitesse par page : Nutrient 0.008 seconde, OpenDataLoader en local 0.015, hybride 0.463 ; la FAQ du README indique aussi « 60+ pages per second ».

Licence et prix

Le code est placé sous licence Apache 2.0, d’après le fichier LICENSE du dépôt ; les versions antérieures à 2.0 étaient sous MPL 2.0. Core, Audit et Auto-tag sont gratuits.

Une offre entreprise ajoute l’export PDF/UA et un studio d’édition visuelle. Aucun prix n’est publié ; les demandes passent par la page de contact.

À qui s’adresse l’outil

  • Les concepteurs de RAG qui ont besoin de Markdown ou de JSON structuré avec positions à partir de PDF qu’ils possèdent déjà.
  • Les équipes disposant d’un environnement Java, qui acceptent d’installer un JDK avant un paquet Python.
  • Les équipes accessibilité qui veulent baliser automatiquement des PDF existants et les contrôler avec veraPDF.

Ce que nous n’avons pas pu vérifier

  • Précision et vitesse. Tous les chiffres sont ceux du projet ; PromptQuorum n’en a mesuré aucun.
  • Télémétrie. Aucune déclaration n’a été trouvée, donc rien n’est supposé dans un sens ou dans l’autre.
  • Docker. La page d’accueil montre une voie par conteneur, mais pas le README, et aucune image n’a été trouvée.
  • Systèmes d’exploitation. Aucune liste de prise en charge n’est publiée, et les workflows CI examinés s’exécutent sous Linux.
  • Autres types de fichiers. Le noyau ne traite ni Word, ni Excel, ni PowerPoint, ni les images ; Hancom Data Loader est annoncé, pas publié.
  • Mainteneur. L’entité juridique derrière le projet n’est pas nommée.

Concurrents et alternatives

Xberg

Plateformes:
Mac, Windows, Linux
Prix / licence:
Gratuit / MIT
Différence clé:
Moteur en Rust qui lit aussi les fichiers Office, l’audio et les URL ; OpenDataLoader PDF ne lit que des PDF
Articles sur Xberg (1)

Également mentionné dans :

CocoIndex

Plateformes:
Mac, Windows, Linux
Prix / licence:
Gratuit / Apache 2.0
Différence clé:
Framework de pipelines qui garde un index à jour ; il a besoin d’un parseur comme celui-ci et ne le remplace pas
Articles sur CocoIndex (1)

Docling et Nutrient figurent dans le tableau de benchmarks du projet lui-même, seule comparaison sur laquelle ce test s’appuie. Vérifiez le prix, la licence et les plateformes actuels de chaque outil sur sa propre fiche avant de choisir.

Comparer dans l'annuaire

Questions fréquentes

Puis-je l’utiliser sans écrire de Python ?

Oui. Le paquet pip installe un outil en ligne de commande, et des SDK Node.js et Java existent, mais toutes les voies exigent Java 11 ou plus récent sur la machine.

Pourquoi chaque appel est-il lent quand je traite des fichiers en boucle ?

D’après le README, chaque appel à convert() démarre un processus JVM ; il recommande donc de passer plusieurs fichiers ou un dossier en un seul appel.

Fonctionne-t-il sur des PDF numérisés ?

Uniquement via le mode hybride, qui exécute l’OCR ; le mode par défaut ne le fait pas.

Hancom Data Loader est-il le même produit ?

Non. C’est un produit entreprise distinct, prévu pour lire DOCX, XLSX, PPTX, HWP et des images ; le README visait le deuxième ou le troisième trimestre 2026, et il n’était pas encore publié au moment de la vérification.

Comment l’ajouter à un pipeline LangChain ?

Installez langchain-opendataloader-pdf et utilisez son OpenDataLoaderPDFLoader, comme décrit dans le README.

Verdict

OpenDataLoader PDF est un moyen régulièrement mis à jour, sous licence Apache 2.0, d’extraire des PDF du Markdown et du JSON structurés avec positions, et son mode par défaut est documenté comme entièrement local. En contrepartie, il exige Java avant pip, ne lit que des PDF, arrive en tête d’un benchmark écrit par le projet lui-même et seulement en mode hybride, laisse la télémétrie et son mainteneur non précisés, et n’a pas été testé par PromptQuorum. Il convient aux développeurs qui alimentent un RAG avec des PDF et acceptent une installation en terminal ; pour des fichiers autres que des PDF, comparez Xberg.

Sources

← Retour aux LLM locaux avancés

MCP