opendataloader.org

是什么

OpenDataLoader PDF 是面向 RAG/LLM 数据准备的开源 PDF 解析器，采用 Apache-2.0 许可，强调 local-first。它不是简单抽文本工具，而是把 PDF 转成带层级结构、阅读顺序、表格、图片、标题、字体信息和 bounding boxes 的 JSON/Markdown/HTML 等格式，并支持生成 Tagged PDF 用于无障碍场景。

核心能力

其关键能力在于 XY-Cut++ 阅读顺序恢复，针对多栏论文、报纸式布局避免文本被横向打乱。每个元素带 [x1,y1,x2,y2] 坐标，便于 RAG 回答时高亮原文位置和建立引用。表格抽取支持行列、合并单元格；Hybrid 模式可把复杂页面路由到 AI 后端做 OCR、复杂表格、公式和图表处理，正文给出的表格准确率从 0.489 提升到 0.928，但速度从 0.015s/page 降到 0.463s/page。

定价与集成

正文未披露商业定价，仅显示 Apache-2.0 开源。安装需 Python 3.10+ 与 Java 11+，可通过 pip 使用，也有 CLI、Java、Node.js 相关文档。它提供 LangChain 集成，适合直接嵌入 RAG 流水线。Hybrid 需要额外启动后端服务，并占用约 2–4GB 内存、下载 1–2GB 模型。

安全、隐私与局限

项目强调本地处理，默认启用 AI Safety 过滤隐藏文本、页外内容、极小字体和隐藏 OCG，以降低 PDF 间接提示注入风险；sanitize 可替换邮箱、电话、信用卡、URL 等敏感信息。局限是依赖 Java 环境，Hybrid 部署更重；XY-Cut++ 虽快且确定性强，但正文也说明可能不擅长非常不规则版式。中文方面仅看到 OCR 支持 80+ 语言，未明确中文质量。

适合谁与中国访问

它适合需要高质量 PDF 入库、坐标引用、表格抽取和无障碍自动打标签的工程团队。在线访问与支付信息正文不足，中国网络可用性未知；若访问受限，可考虑本地部署或评估 Docling、Unstructured、MinerU、Marker、PyMuPDF4LLM 等替代品。