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 CLI | opendataloader-pdf-cli-2.5.22.zip sur GitHub Releases |
| Site web | opendataloader.org |
| Politique de confidentialité | Politique de confidentialité, liée depuis le pied de page du site ; la page exige JavaScript pour s’afficher |
| Code source | github.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-pdffournit unOpenDataLoaderPDFLoader, 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)
- Xberg Review: Open-Source Document Intelligence for LLM and RAG PipelinesMis à jour 30 octobre 2026
Également mentionné dans :
- Docling Review: Open-Source PDF and Document Parser for RAGMis à jour 15 novembre 2026
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)
- CocoIndex Review: Incremental Data Framework for RAG and AI AgentsMis à jour 8 novembre 2026
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.
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
- Site d’OpenDataLoader — présentation du produit, benchmarks et offre entreprise, consultés le 15 novembre 2026.
- OpenDataLoader PDF sur GitHub — README, licence, version 2.5.22 et activité du dépôt, consultés le 15 novembre 2026.
- opendataloader-pdf sur PyPI — version 2.5.22 du paquet et version de Python requise, consultées le 15 novembre 2026.
- Guide de démarrage Python — étapes d’installation et version de Python qu’il indique, consultés le 15 novembre 2026.
- Méthodologie des benchmarks — comment sont produits les scores du projet lui-même, consultée le 15 novembre 2026.
