OpenDataLoader PDF 是一个 Apache-2.0 的 PDF 解析与自动打标签工具。它用 Java 核心输出 Markdown、HTML、文本和带坐标的 JSON，并提供 Python、Node.js 与 Java 入口；复杂页面可选本地 Hybrid 服务。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README… 查看 GitHub 仓库 → 📘 使用教程 →v2.5.11 于 2026-09-22 发布，新增 Hybrid 日志和可配置的后端页面批量大小，项目仍在持续更新。
来源：github.com/opendataloader-project/opendataloader-pdf/releases/tag/v2.…默认 Fast 路径在本机处理数字 PDF，可输出 Markdown、HTML、文本、图片和带元素坐标的 JSON，不要求 GPU。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.md复杂表格、扫描件、公式和图片描述可交给单独启动的 Docling 后端；OCR、公式和图片增强需要显式配置。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.md开源核心可把未标记 PDF 自动生成 Tagged PDF；PDF/UA-1、PDF/UA-2 导出和可视化编辑器属于企业功能。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.md解析器会过滤透明、零字号和页面外文本；--sanitize 需要主动开启，用占位符替换邮箱、URL 和电话号码。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.mdPython 和 Node.js 包封装 Java 核心，每次 convert() 都会启动 JVM，因此应把多个文件放进一次调用。Fast 路径直接做本地版面分析；Hybrid 路径另起 opendataloader-pdf-hybrid 服务，再由客户端用 docling-fast 调用。结构树模式优先于 Hybrid，两者同时设置时不会调用 Hybrid 后端。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.mdJava 11+Python 3.10+（Python 入口）opendataloader-pdf 2.5.11可选 opendataloader-pdf[hybrid]适合为 RAG 准备带坐标的 PDF 文本、批量抽取数字 PDF，以及把未标记文件生成 Tagged PDF。它只处理 PDF；复杂布局、扫描质量、结构标签质量都会影响结果。正式无障碍交付仍要按目标标准验证，不能仅凭生成 Tagged PDF 就宣称通过 PDF/UA。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.mdv2.5.11 于 2026-09-22 发布，增加可诊断的 Hybrid 日志、logfmt 日志格式和可配置的后端页面批量大小。v2.5.8 已把 Hybrid 的 Docling 提升到 2.126.0，并限制输入为 PDF。
来源：github.com/opendataloader-project/opendataloader-pdf/releases/tag/v2.…status: official_docs_checked_not_run | checked_at: 2026-09-23 | environment: 核对官方 README、LICENSE、Releases 与 Docling 官方仓库 | limitations: 未安装 Java/Python/Node 包，未启动 Hybrid 服务，未解析 PDF，也未验证项目方基准、OCR 或 PDF/UA 输出 | observed_output: 官方 Releases 将 v2.5.11 标为最新版，发布日期为 2026-09-22；README 要求 Java 11+、Python 3.10+，并明确免费 Tagged PDF 与企业 PDF/UA 导出的边界
来源：github.com/opendataloader-project/opendataloader-pdf/releases/tag/v2.…与 Docling 对比：Docling 是 MIT 许可的 Python 文档转换工具，支持 PDF 之外的 DOCX、PPTX、XLSX、HTML、图片和音频，并有更广的模型与集成生态。OpenDataLoader PDF 更集中于 PDF 坐标输出、Fast/Hybrid 双路径和 Tagged PDF。多格式摄取优先评估 Docling；只处理 PDF、需要坐标或自动打标签时再评估 OpenDataLoader PDF。
来源：github.com/docling-project/docling/blob/main/README.md；https://github…OpenDataLoader PDF 值得保留为 PDF 专项教程，但采用前应拿自己的数字 PDF、扫描件和复杂表格分别测试。先验证 Fast 的阅读顺序和坐标，再决定是否承担 Hybrid 的服务与模型成本；无障碍项目还要把 Tagged PDF 生成和 PDF/UA 验证分开。
来源：github.com/opendataloader-project/opendataloader-pdf/blob/main/README.mdFast 模式可以在本机解析。安装包和首次准备依赖需要网络；是否外发内容还取决于你是否接入远程来源或另行配置外部后端。
不代表。开源自动打标签是合规流程的基础，README 把 PDF/UA-1、PDF/UA-2 导出列为企业功能；最终文件仍要按目标标准和辅助技术实际验证。
官方 README 说明每次 convert() 都会启动一个 JVM 进程。把多个文件或文件夹放进一次调用，可以减少反复启动的开销。
先用 Fast 处理有文本层的普通 PDF；扫描件、复杂表格、公式或图片描述效果不够时，再单独测试 Hybrid。两种输出应对照原页抽查。