OpenDataLoader PDFとは
OpenDataLoader PDFは、PDFをAI向けのデータに変換します。チャンク分割用のMarkdown、出典表示用のバウンディングボックス付きJSON、HTML、または注釈付きPDFです。 見出し、表、リスト、読み取り順序を認識し、JSONには見出しレベル、フォント、各要素の位置が保持されます。Python、Node.js、JavaのSDKとコマンドラインツールを備えたライブラリとして提供されています。
開発元はGitHub組織のopendataloader-projectで、サイトのフッターには「© 2026 OpenDataLoader」とあります。ホームページによると、アクセシビリティ関連の作業はHancomおよびDual Labとともに進められたもの(ホームページはDual LabをveraPDFの開発者の一つと説明しています)ですが、Hancomがパーサーを作っているとは書かれていません。どの法人がプロジェクトを保守しているかは、情報源に記載がありません。別のエンタープライズ製品Hancom Data Loaderは「Coming Soon」と表示されており、オープンソースの中核には含まれません。
入手方法
OpenDataLoader PDFは、Javaランタイムを用意したうえで、パッケージマネージャーからインストールします。 デスクトップ用のインストーラーも、ストアの掲載もありません。
項目 | 入手方法 |
|---|---|
| Python(pip) | Java 11以上を用意し、pip install -U opendataloader-pdf(PyPI)。CLIも追加されます |
| Node.js | npmの@opendataloader/pdf(Node.jsクイックスタートによる) |
| Java(Maven) | org.opendataloader:opendataloader-pdf-core(Javaクイックスタートによる) |
| ハイブリッドモード | `pip install "opendataloader-pdf[hybrid]"`。READMEによると、最初のモデルのダウンロードに数分かかることがあります |
| CLIアーカイブ | GitHub Releasesのopendataloader-pdf-cli-2.5.22.zip |
| 公式サイト | opendataloader.org |
| プライバシーポリシー | サイトのフッターからリンクされたプライバシーポリシー。表示にはJavaScriptが必要です |
| ソースコード | github.com/opendataloader-project/opendataloader-pdf、Apache 2.0 |
確認したバージョン:2.5.22(2026年11月12日公開)、最終の上流更新は2026年11月14日。ターミナルと開発環境が必要です。Java 11以上をPATHに通しておく必要があり(java -versionで確認)、pipを使う場合はPython 3.11以上が必要です。クイックスタートのページはPython 3.10と記載していますが、READMEとPyPIは3.11としているため、PyPIに従ってください。プロジェクトはオペレーティングシステムの一覧を公表しておらず、PyPIはこのパッケージをOS非依存と分類しています。
ローカルとハイブリッドのデータの流れ
デフォルトモードでは、パーサーは自分のマシン上で動作します。READMEは「100% locally」「No API calls, no data transmission」と述べ、ホームページは「No API keys, no cloud」と述べています。 GPUは不要で、RAMの目安は公表されていません。
ハイブリッドモードは、難しいページをAIバックエンドに送ることで、OCR、数式とグラフの処理、表の精度を高めます。バックエンドは初期設定では127.0.0.1のローカルサーバーで、画像の説明にはローカルのSmolVLM-256Mモデルが使われますが、--hybrid-urlオプションには任意のアドレスを指定できます。リモートのサーバーを指定すると、ページがそこへ送られ、「クラウド不使用」という記述はお使いの構成には当てはまらなくなります。
📌補足: これらは提供元の説明であり、監査結果ではありません。PromptQuorumはネットワーク通信もコードも検査していません。
情報源で確認できた機能
以下はすべてウェブサイト、README、PyPIの記載によるもので、ここでは試していません。
- レイアウト解析。 XY-Cut++アルゴリズムで読み取り順序を復元し、結合セルを含む表を抽出します。
- 出典表示。 JSONの各要素にバウンディングボックスが付くため、回答をページ上の位置に結び付けられます。
- OCR。 ハイブリッドモードのみで利用でき、エンジンは初期設定でEasyOCRです。代替としてRapidOCR、Tesseract、Apple Vision(macOSのみ)、NVIDIA Nemotron(CUDA対応のLinux x86_64)、自動選択があります。プロジェクトは80以上の言語に対応すると述べていますが、エンジンごとの内訳はありません。
- AI安全フィルタリング。 隠しテキスト、ページ外のコンテンツ、プロンプトインジェクションのパターンを、テキストがモデルに渡る前に除外できます。
- LangChain。
langchain-opendataloader-pdfパッケージがOpenDataLoaderPDFLoaderを提供し、RAG連携ガイドも公開されています。 - アクセシビリティの自動タグ付け。 タグのないPDFにWell-Tagged PDF仕様に沿ったタグを付け、veraPDFで検証できます。PDF/UAのエクスポートはエンタープライズ版の機能です。
ベンチマーク:提供元の主張
ホームページとREADMEにある「#1 in benchmarks」という主張は、プロジェクト自身のopendataloader-benchによるもので、ハイブリッドモードにのみ当てはまります。 手法はベンチマークのページに説明されており、PromptQuorumはどの数値も再現していません。
- 総合スコア:ハイブリッドモードで0.907、ハイブリッドなしで0.831。
- 表の精度(TEDS):ハイブリッドモードで0.928、ハイブリッドなしで0.489。
- 見出しの検出:Docling 0.824、ハイブリッド0.821、非ハイブリッド0.739で、すべてのカテゴリーで主張が成り立つわけではありません。
- 1ページあたりの速度:Nutrientが0.008秒、OpenDataLoaderのローカルが0.015秒、ハイブリッドが0.463秒。READMEのFAQには「60+ pages per second」とも記載されています。
ライセンスと価格
コードのライセンスは、リポジトリのLICENSEファイルによるとApache 2.0で、2.0より前のリリースはMPL 2.0でした。 Core、Audit、Auto-tagは無料で利用できます。
エンタープライズ版ではPDF/UAのエクスポートとビジュアル編集スタジオが追加されます。価格は公表されておらず、問い合わせはお問い合わせページから行います。
おすすめできる人
- RAGを構築する方 で、手元にあるPDFから、位置情報付きの構造化されたMarkdownやJSONが必要な方。
- Javaランタイムを使えるチーム で、Pythonパッケージの前にJDKをインストールすることを受け入れられる方。
- アクセシビリティ担当のチーム で、既存のPDFに自動でタグを付け、veraPDFで確認したい方。
確認できなかった点
- 精度と速度。 数値はすべてプロジェクト自身のもので、PromptQuorumは測定していません。
- テレメトリ。 記載が見つからなかったため、どちらとも想定していません。
- Docker。 ホームページにはコンテナでの利用が示されていますが、READMEにはなく、イメージも見つかりませんでした。
- オペレーティングシステム。 対応一覧は公表されておらず、確認したCIワークフローはLinuxで動作しています。
- ほかのファイル形式。 Word、Excel、PowerPoint、画像の入力は中核部分では処理されません。Hancom Data Loaderは発表されたのみで、リリースされていません。
- 保守元。 プロジェクトの背後にある法人は明記されていません。
競合・代替アプリ
Xberg
- 対応環境:
- Mac、Windows、Linux
- 価格/ライセンス:
- 無料/MIT
- 主な違い:
- Officeファイル、音声、URLも読み取れるRustエンジン。OpenDataLoader PDFが読み取るのはPDFのみ
CocoIndex
- 対応環境:
- Mac、Windows、Linux
- 価格/ライセンス:
- 無料/Apache 2.0
- 主な違い:
- インデックスを最新に保つパイプラインフレームワーク。本ツールのようなパーサーが必要で、代わりにはならない
CocoIndexに関する記事(1件)
DoclingとNutrientはプロジェクト自身のベンチマーク表に登場しており、本レビューが頼る比較はそれだけです。選ぶ前に、各ツールの最新の価格、ライセンス、対応環境をそれぞれの掲載ページで確認してください。
よくある質問
Pythonを書かずに使えますか?
はい。pipのパッケージにコマンドラインツールが含まれ、Node.jsとJavaのSDKもありますが、どの方法でもマシンにJava 11以上が必要です。
ファイルをループで処理すると、毎回遅いのはなぜですか?
READMEによると、convert()を呼ぶたびにJVMプロセスが起動するため、複数のファイルやフォルダーを1回の呼び出しで渡すことを勧めています。
スキャンしたPDFにも使えますか?
OCRを実行するハイブリッドモードでのみ対応します。デフォルトモードでは対応しません。
Hancom Data Loaderは同じ製品ですか?
いいえ。DOCX、XLSX、PPTX、HWP、画像を読み取る予定の別のエンタープライズ製品で、READMEは2026年の第2四半期または第3四半期を目標としていましたが、確認時点では未リリースでした。
LangChainのパイプラインに追加するにはどうすればよいですか?
READMEの説明どおり、langchain-opendataloader-pdfをインストールしてOpenDataLoaderPDFLoaderを使います。
総評
OpenDataLoader PDFは、活発にリリースされているApache 2.0の手段で、PDFから位置情報付きの構造化されたMarkdownとJSONを取り出せ、デフォルトモードは完全にローカルと記載されています。一方で、pipの前にJavaが必要で、読み取れるのはPDFのみ、順位はプロジェクト自身が作ったベンチマークでのもので、しかもハイブリッドモードに限られます。テレメトリと保守元は明記されておらず、PromptQuorumは試していません。PDFをRAGに取り込み、ターミナルでのセットアップを受け入れられる開発者に向いています。PDF以外のファイルを扱うならXbergと比較してください。
情報源
- OpenDataLoaderウェブサイト — 製品概要、ベンチマーク、エンタープライズ版(2026年11月15日確認)。
- GitHubのOpenDataLoader PDF — README、ライセンス、リリース2.5.22、リポジトリの活動状況(2026年11月15日確認)。
- PyPIのopendataloader-pdf — パッケージのバージョン2.5.22とPythonの要件(2026年11月15日確認)。
- Pythonクイックスタート — インストール手順と記載されているPythonのバージョン(2026年11月15日確認)。
- ベンチマークの手法 — プロジェクト自身のスコアの算出方法(2026年11月15日確認)。
