OpenDataLoader PDF 把 PDF 转成 Markdown 的速度，能做到一页 0.015 秒，纯 CPU 跑得动，还开源免费。 项目走 Ap… · @bkdgiffug · TwKit

@bkdgiffug

OpenDataLoader PDF 把 PDF 转成 Markdown 的速度，能做到一页 0.015 秒，纯 CPU 跑得动，还开源免费。 项目走 Apache-2.0 协议，默认模式全在本地转，普通的电子版 PDF 用它正合适。 一旦遇上复杂表格、扫描件、公式这些硬骨头，就切到 hybrid 模式。 拿 200 份真实 PDF 测下来，这个模式综合得分 0.907，表格 0.928，直接排到第一。 几个常用工具拉出来比比： docling 综合 0.882，每页 0.762 秒。 marker 综合 0.861，每页得耗 53.9 秒。 pymupdf4llm 每页 0.091 秒是快，可表格分只有 0.401。 输出上，Markdown、带坐标的 JSON、HTML 它都给，做 RAG 分块、标引用出处都省事。 扫描件 OCR 能认 80 多种语言。 另外它还有一手：把没有标签的 PDF 自动转成读屏软件能用的 Tagged PDF。 同样的事人工做一份，成本得 50 到 200 美元。 跑之前记得先装 Java 11 以上版本。 🔗 https://github.com/opendataloader-project/opendataloader-pdf

曝光 10 · 评论 0 · 点赞 0 · 书签 0