O que é o OpenDataLoader PDF?
O OpenDataLoader PDF transforma PDFs em dados prontos para IA: Markdown para dividir em trechos, JSON com caixas delimitadoras para citar fontes, HTML ou um PDF anotado. Ele lê títulos, tabelas, listas e ordem de leitura, e o JSON mantém os níveis de título, as fontes tipográficas e a posição de cada elemento. É distribuído como biblioteca, com SDKs para Python, Node.js e Java, e como ferramenta de linha de comando.
O fabricante é a organização do GitHub opendataloader-project, e o rodapé do site diz "© 2026 OpenDataLoader". A página inicial diz que o trabalho de acessibilidade foi desenvolvido com a Hancom e com a Dual Lab, que a página descreve como desenvolvedora do veraPDF; ela não diz que a Hancom fabrica o parser. As fontes não informam qual entidade jurídica mantém o projeto. Um produto empresarial separado, o Hancom Data Loader, aparece como "Coming Soon" e não faz parte do núcleo de código aberto.
Onde obter
O OpenDataLoader PDF é instalado a partir de um gerenciador de pacotes depois que um ambiente de execução do Java está instalado. Não há instalador de desktop nem página em loja de aplicativos.
Opção | Como obter |
|---|---|
| Python (pip) | Java 11+ e depois pip install -U opendataloader-pdf (PyPI); adiciona a CLI |
| Node.js | @opendataloader/pdf no npm, conforme o início rápido do Node.js |
| Java (Maven) | org.opendataloader:opendataloader-pdf-core, conforme o início rápido do Java |
| Modo híbrido | `pip install "opendataloader-pdf[hybrid]"`; o README diz que o primeiro download do modelo pode levar minutos |
| Arquivo da CLI | opendataloader-pdf-cli-2.5.22.zip no GitHub Releases |
| Site | opendataloader.org |
| Política de privacidade | Política de privacidade, com link no rodapé do site; a página precisa de JavaScript para ser exibida |
| Código-fonte | github.com/opendataloader-project/opendataloader-pdf, Apache 2.0 |
Versão analisada: 2.5.22, lançada em 12 de novembro de 2026; última atualização do projeto em 14 de novembro de 2026. São necessários um terminal e um ambiente de desenvolvimento: o Java 11 ou superior precisa estar no PATH (verifique com java -version) e a via pip exige Python 3.11 ou superior. A página de início rápido diz Python 3.10, enquanto o README e o PyPI dizem 3.11, então siga o PyPI. O projeto não publica uma lista de sistemas operacionais; o PyPI marca o pacote como independente de sistema operacional.
Fluxo de dados local e híbrido
No modo padrão, o parser roda na sua máquina: o README diz "100% locally", "No API calls, no data transmission", e a página inicial diz "No API keys, no cloud". Não é necessária GPU, e nenhum valor de RAM é divulgado.
O modo híbrido acrescenta OCR, tratamento de fórmulas e gráficos e maior precisão em tabelas, enviando as páginas difíceis para um backend de IA. Por padrão, esse backend é um servidor local em 127.0.0.1 e as descrições de imagens usam um modelo local SmolVLM-256M, mas a opção --hybrid-url aceita qualquer endereço. Se você apontar para um servidor remoto, suas páginas são enviadas para lá e a frase "sem nuvem" deixa de descrever a sua configuração.
📌Nota: São afirmações do fabricante, não resultados de auditoria. O PromptQuorum não inspecionou o tráfego de rede nem o código.
Recursos confirmados pelas fontes
Cada item abaixo vem do site, do README ou do PyPI; nenhum foi testado aqui.
- Análise de layout. O algoritmo XY-Cut++ recupera a ordem de leitura; as tabelas são extraídas, inclusive com células mescladas.
- Citações. Cada elemento do JSON traz uma caixa delimitadora, de modo que uma resposta pode apontar de volta para um lugar da página.
- OCR. Disponível apenas no modo híbrido; o mecanismo padrão é o EasyOCR, com RapidOCR, Tesseract, Apple Vision (somente macOS), NVIDIA Nemotron (Linux x86_64 com CUDA) e uma escolha automática como alternativas. O projeto afirma suportar mais de 80 idiomas, sem detalhamento por mecanismo.
- Filtragem de segurança para IA. Texto oculto, conteúdo fora da página e padrões de injeção de prompt podem ser filtrados antes de o texto chegar a um modelo.
- LangChain. O pacote
langchain-opendataloader-pdffornece umOpenDataLoaderPDFLoader, e há um guia de integração com RAG publicado. - Etiquetagem automática de acessibilidade. PDFs sem etiquetas podem ser etiquetados conforme a especificação Well-Tagged PDF, com validação pelo veraPDF; a exportação para PDF/UA pertence ao nível empresarial.
Benchmarks: as afirmações do fabricante
A afirmação "#1 in benchmarks" da página inicial e do README vem do opendataloader-bench, o benchmark do próprio projeto, e vale apenas para o modo híbrido. O método é descrito na página do benchmark; o PromptQuorum não reproduziu nenhum número.
- Pontuação geral: 0.907 no modo híbrido contra 0.831 sem ele.
- Precisão em tabelas (TEDS): 0.928 no modo híbrido contra 0.489 sem ele.
- Detecção de títulos: Docling 0.824, híbrido 0.821, não híbrido 0.739, então a afirmação não vale para todas as categorias.
- Velocidade por página: Nutrient 0.008 segundo, OpenDataLoader local 0.015, híbrido 0.463; o FAQ do README também diz "60+ pages per second".
Licença e preço
O código é licenciado sob a Apache 2.0, conforme o arquivo LICENSE do repositório; as versões anteriores à 2.0 usavam a MPL 2.0. Core, Audit e Auto-tag são de uso gratuito.
Um nível empresarial acrescenta a exportação para PDF/UA e um estúdio de edição visual. Nenhum preço é divulgado, e as solicitações são feitas pela página de contato.
Para quem é
- Quem constrói RAG e precisa de Markdown ou JSON estruturado com posições a partir de PDFs que já possui.
- Equipes com um ambiente Java que aceitam instalar um JDK antes de um pacote Python.
- Equipes de acessibilidade que querem etiquetar automaticamente PDFs existentes e verificá-los com o veraPDF.
O que não conseguimos verificar
- Precisão e velocidade. Todos os números são do projeto; nenhum foi medido pelo PromptQuorum.
- Telemetria. Nenhuma declaração foi encontrada, então nada é presumido em nenhum sentido.
- Docker. A página inicial mostra uma via com contêiner, mas o README não mostra e nenhuma imagem foi encontrada.
- Sistemas operacionais. Nenhuma lista de suporte é publicada, e os fluxos de CI verificados rodam em Linux.
- Outros tipos de arquivo. O núcleo não processa entradas do Word, Excel, PowerPoint nem imagens; o Hancom Data Loader foi anunciado, não lançado.
- Mantenedor. A entidade jurídica por trás do projeto não é nomeada.
Concorrentes e alternativas
Xberg
- Plataformas:
- Mac, Windows, Linux
- Preço / licença:
- Grátis / MIT
- Diferença principal:
- Motor em Rust que também lê arquivos do Office, áudio e URLs; o OpenDataLoader PDF lê apenas PDFs
Artigos sobre Xberg (1)
- Xberg Review: Open-Source Document Intelligence for LLM and RAG PipelinesAtualizado 30 de outubro de 2026
Também mencionado em:
- Docling Review: Open-Source PDF and Document Parser for RAGAtualizado 15 de novembro de 2026
CocoIndex
- Plataformas:
- Mac, Windows, Linux
- Preço / licença:
- Grátis / Apache 2.0
- Diferença principal:
- Framework de pipelines que mantém um índice atualizado; precisa de um parser como este e não o substitui
Artigos sobre CocoIndex (1)
- CocoIndex Review: Incremental Data Framework for RAG and AI AgentsAtualizado 8 de novembro de 2026
Docling e Nutrient aparecem na tabela de benchmarks do próprio projeto, que é a única comparação em que esta análise se apoia. Confirme o preço, a licença e as plataformas atuais de cada ferramenta na página dela antes de escolher.
Perguntas frequentes
Posso usá-lo sem escrever Python?
Sim. O pacote do pip instala uma ferramenta de linha de comando, e existem SDKs para Node.js e Java, mas todas as vias exigem Java 11 ou superior na máquina.
Por que cada chamada fica lenta quando percorro arquivos em um laço?
O README diz que cada chamada a convert() inicia um processo da JVM, por isso recomenda passar vários arquivos ou uma pasta em uma única chamada.
Funciona com PDFs escaneados?
Somente pelo modo híbrido, que executa OCR; o modo padrão não faz isso.
O Hancom Data Loader é o mesmo produto?
Não. É um produto empresarial separado, planejado para ler DOCX, XLSX, PPTX, HWP e imagens; o README indicava como meta o segundo ou terceiro trimestre de 2026, e ele ainda não tinha sido lançado quando foi consultado.
Como o adiciono a um pipeline do LangChain?
Instale langchain-opendataloader-pdf e use o OpenDataLoaderPDFLoader, conforme descrito no README.
Veredito
O OpenDataLoader PDF é uma forma Apache 2.0, com versões lançadas de maneira ativa, de obter Markdown e JSON estruturados com posições a partir de PDFs, e seu modo padrão está documentado como totalmente local. Em contrapartida, ele exige Java antes do pip, lê apenas PDFs, fica em primeiro lugar em um benchmark escrito pelo próprio projeto e só no modo híbrido, não declara a telemetria nem quem o mantém, e não foi testado pelo PromptQuorum. Serve para desenvolvedores que alimentam RAG com PDFs e aceitam uma configuração por terminal; para arquivos além de PDF, compare o Xberg.
Fontes
- Site do OpenDataLoader — visão geral do produto, benchmarks e nível empresarial, consultado em 15 de novembro de 2026.
- OpenDataLoader PDF no GitHub — README, licença, versão 2.5.22 e atividade do repositório, consultados em 15 de novembro de 2026.
- opendataloader-pdf no PyPI — versão 2.5.22 do pacote e requisito de Python, consultados em 15 de novembro de 2026.
- Início rápido do Python — passos de instalação e a versão de Python que ele indica, consultados em 15 de novembro de 2026.
- Metodologia do benchmark — como as pontuações do próprio projeto são produzidas, consultada em 15 de novembro de 2026.
