OpenDataLoader PDF 是什么?
OpenDataLoader PDF 把 PDF 转换为面向 AI 的数据:用于分块的 Markdown、用于标注来源的带边界框 JSON、HTML,或带注释的 PDF。 它能识别标题、表格、列表和阅读顺序,JSON 中保留标题层级、字体以及每个元素的位置。它以库的形式提供,带有 Python、Node.js 和 Java SDK 以及一个命令行工具。
开发方是 GitHub 组织 opendataloader-project,网站页脚写着“© 2026 OpenDataLoader”。主页称无障碍方面的工作是与 Hancom 以及 Dual Lab(主页称其为 veraPDF 的开发者之一)一起完成的;它并没有说解析器由 Hancom 制作。资料没有说明由哪个法律实体维护该项目。另一款企业产品 Hancom Data Loader 标注为“Coming Soon”,不属于开源核心。
获取方式
OpenDataLoader PDF 需要先装好 Java 运行时,再通过包管理器安装。 没有桌面安装程序,也没有应用商店页面。
选项 | 获取方式 |
|---|---|
| Python(pip) | 先装 Java 11+,再运行 pip install -U opendataloader-pdf(PyPI);同时会加入命令行工具 |
| Node.js | npm 上的 @opendataloader/pdf,参见 Node.js 快速入门 |
| Java(Maven) | org.opendataloader:opendataloader-pdf-core,参见 Java 快速入门 |
| 混合模式 | `pip install "opendataloader-pdf[hybrid]"`;README 称首次下载模型可能需要几分钟 |
| 命令行压缩包 | GitHub Releases 上的 opendataloader-pdf-cli-2.5.22.zip |
| 官方网站 | opendataloader.org |
| 隐私政策 | 网站页脚链接的隐私政策;该页面需要 JavaScript 才能显示 |
| 源代码 | github.com/opendataloader-project/opendataloader-pdf,Apache 2.0 |
评测版本:2.5.22,2026 年 11 月 12 日发布;上游最近一次更新为 2026 年 11 月 14 日。需要终端和开发环境:Java 11 或更高版本必须在 PATH 中(用 java -version 检查),pip 方式需要 Python 3.11 或更高版本。快速入门页面写的是 Python 3.10,而 README 和 PyPI 写的是 3.11,请以 PyPI 为准。项目没有公布操作系统列表;PyPI 将该包标记为与操作系统无关。
本地与混合模式的数据流向
默认模式下,解析器在你自己的机器上运行:README 写着“100% locally”和“No API calls, no data transmission”,主页写着“No API keys, no cloud”。 不需要 GPU,也没有公布内存需求。
混合模式把难处理的页面发送给 AI 后端,从而增加 OCR、公式和图表处理,并提高表格准确率。该后端默认是 127.0.0.1 上的本地服务器,图片描述使用本地的 SmolVLM-256M 模型,但 --hybrid-url 选项可以接受任意地址。如果你把它指向远程服务器,页面就会发送到那里,“无云”的说法就不再适用于你的配置。
📌注: 这些是开发方的说法,不是审计结果。PromptQuorum 没有检查过网络流量或代码。
资料证实的功能
以下各项均来自网站、README 或 PyPI,这里没有一项经过测试。
- 版面分析。 XY-Cut++ 算法用于还原阅读顺序;表格提取包含合并单元格。
- 来源标注。 JSON 中的每个元素都带有边界框,因此答案可以指回页面上的某个位置。
- OCR。 仅在混合模式下可用;默认引擎是 EasyOCR,备选包括 RapidOCR、Tesseract、Apple Vision(仅 macOS)、NVIDIA Nemotron(带 CUDA 的 Linux x86_64)以及自动选择。项目称支持 80 多种语言,但没有按引擎给出细分。
- AI 安全过滤。 在文本到达模型之前,可以过滤掉隐藏文本、页面之外的内容和提示词注入模式。
- LangChain。
langchain-opendataloader-pdf包提供OpenDataLoaderPDFLoader,并且发布了 RAG 集成指南。 - 无障碍自动标记。 可按 Well-Tagged PDF 规范为未加标签的 PDF 添加标签,并用 veraPDF 验证;PDF/UA 导出属于企业版。
基准测试:开发方的说法
主页和 README 中的“#1 in benchmarks”出自项目自己的 opendataloader-bench,且仅适用于混合模式。 测试方法在基准测试页面中说明;PromptQuorum 没有复现其中任何数字。
- 总分:混合模式 0.907,不使用混合模式 0.831。
- 表格准确率(TEDS):混合模式 0.928,不使用混合模式 0.489。
- 标题检测:Docling 0.824,混合模式 0.821,非混合模式 0.739,因此这一说法并非在每个类别中都成立。
- 每页速度:Nutrient 0.008 秒,OpenDataLoader 本地模式 0.015 秒,混合模式 0.463 秒;README 的 FAQ 还写着“60+ pages per second”。
许可证与价格
根据仓库的 LICENSE 文件,代码采用 Apache 2.0 许可;2.0 之前的版本采用 MPL 2.0。 Core、Audit 和 Auto-tag 可免费使用。
企业版增加 PDF/UA 导出和可视化编辑工作室。未公布价格,需通过联系页面咨询。
适合谁使用
- 构建 RAG 的人:需要从手头已有的 PDF 中获得带位置信息的结构化 Markdown 或 JSON。
- 有 Java 运行时的团队:能接受在安装 Python 包之前先装一个 JDK。
- 无障碍团队:想为现有 PDF 自动添加标签,并用 veraPDF 检查。
我们无法核实的内容
- 准确率和速度。 所有数字都出自项目自己,PromptQuorum 没有测量过。
- 遥测。 没有找到相关说明,因此两种情况都不作假设。
- Docker。 主页展示了容器方式,但 README 没有,也没有找到镜像。
- 操作系统。 没有公布支持列表,所查看的 CI 工作流都运行在 Linux 上。
- 其他文件类型。 核心不处理 Word、Excel、PowerPoint 和图片输入;Hancom Data Loader 只是已宣布,尚未发布。
- 维护方。 项目背后的法律实体没有说明。
竞品与替代方案
Xberg
- 平台:
- Mac、Windows、Linux
- 价格 / 许可:
- 免费 / MIT
- 主要区别:
- Rust 引擎,还能读取 Office 文件、音频和网址;OpenDataLoader PDF 只读取 PDF
CocoIndex
- 平台:
- Mac、Windows、Linux
- 价格 / 许可:
- 免费 / Apache 2.0
- 主要区别:
- 让索引保持最新的管道框架;它需要像本工具这样的解析器,不能取代解析器
关于CocoIndex的文章(1篇)
Docling 和 Nutrient 出现在项目自己的基准测试表中,这是本评测依赖的唯一对比。选择前,请在各工具自己的页面上确认其当前价格、许可证和支持平台。
常见问题
不写 Python 也能使用吗?
可以。pip 包会安装一个命令行工具,另有 Node.js 和 Java SDK,但所有方式都要求机器上装有 Java 11 或更高版本。
循环处理多个文件时,为什么每次调用都很慢?
README 称每次 convert() 调用都会启动一个 JVM 进程,因此建议在一次调用中传入多个文件或一个文件夹。
能处理扫描版 PDF 吗?
只能通过运行 OCR 的混合模式;默认模式不支持。
Hancom Data Loader 是同一款产品吗?
不是。它是另一款企业产品,计划读取 DOCX、XLSX、PPTX、HWP 和图片;README 给出的目标是 2026 年第二或第三季度,核查时仍未发布。
如何把它加入 LangChain 管道?
按 README 的说明,安装 langchain-opendataloader-pdf 并使用其中的 OpenDataLoaderPDFLoader。
结论
OpenDataLoader PDF 是一个发布活跃、采用 Apache 2.0 的方案,可从 PDF 中提取带位置信息的结构化 Markdown 和 JSON,其默认模式在文档中被描述为完全本地运行。但另一方面,它在 pip 之前需要先装 Java,只读取 PDF,排名第一出自项目自己编写的基准测试且仅限混合模式,遥测和维护方均未说明,PromptQuorum 也没有测试过。它适合把 PDF 送入 RAG 并能接受终端配置的开发者;如果需要处理 PDF 以外的文件,请对比 Xberg。
资料来源
- OpenDataLoader 网站 — 产品概览、基准测试和企业版,核查于 2026 年 11 月 15 日。
- GitHub 上的 OpenDataLoader PDF — README、许可证、2.5.22 版本和仓库活跃度,核查于 2026 年 11 月 15 日。
- PyPI 上的 opendataloader-pdf — 包版本 2.5.22 和 Python 要求,核查于 2026 年 11 月 15 日。
- Python 快速入门 — 安装步骤及其所写的 Python 版本,核查于 2026 年 11 月 15 日。
- 基准测试方法 — 项目自己的分数如何得出,核查于 2026 年 11 月 15 日。
