OpenDataLoader PDF 集成

使用 LangChain Python 集成 OpenDataLoader PDF 文档加载器。

面向 RAG 的 PDF 解析： 转换为 Markdown 和 JSON，快速、本地运行、无需 GPU

OpenDataLoader PDF 将 PDF 转换为 可供 LLM 直接使用的 Markdown 和 JSON，具备准确的阅读顺序、表格提取和边界框信息——全部在您的机器上本地运行。

开发者选择 OpenDataLoader 的原因：

• 确定性——相同的输入总是产生相同的输出（无 LLM 幻觉）
• 快速——在 CPU 上每秒处理 100+ 页
• 私密——100% 本地运行，零数据传输
• 准确——为每个元素提供边界框，正确的多列阅读顺序

概述

集成详情

类	包	本地	可序列化	JS 支持
OpenDataLoader PDF	langchain-opendataloader-pdf	✅	❌	❌

加载器特性

来源	文档惰性加载	原生异步支持
OpenDataLoaderPDFLoader	✅	❌

OpenDataLoaderPDFLoader 组件使您能够将 PDF 解析为结构化的 Document 对象。

要求

• Python >= 3.10
• 系统 PATH 中需有 Java 11 或更新版本

安装

pip install -U langchain-opendataloader-pdf

快速开始

from langchain_opendataloader_pdf import OpenDataLoaderPDFLoader

loader = OpenDataLoaderPDFLoader(
    file_path=["path/to/document.pdf", "path/to/folder"],
    format="text"
)
documents = loader.load()

for doc in documents:
    print(doc.metadata, doc.page_content[:80])

参数

参数	类型	默认值	描述
file_path	str | List[str]	—	（必需） PDF 文件路径或目录路径
format	str	"text"	输出格式："text"、"markdown"、"json"、"html"
split_pages	bool	True	是否按页面拆分为独立的 Document 对象
quiet	bool	False	是否抑制控制台日志输出
password	str	None	加密 PDF 的密码
use_struct_tree	bool	False	是否使用 PDF 结构树（适用于带标签的 PDF）
table_method	str	"default"	"default"（基于边框）或 "cluster"（边框 + 聚类）
reading_order	str	"xycut"	"xycut" 或 "off"
keep_line_breaks	bool	False	是否保留原始换行符
image_output	str	"off"	"off"、"embedded"（Base64）或 "external"
image_format	str	"png"	"png" 或 "jpeg"
content_safety_off	List[str]	None	禁用安全过滤器："hidden-text"、"off-page"、"tiny"、"hidden-ocg"、"all"
replace_invalid_chars	str	None	用于替换无效字符的字符串

使用示例

输出格式

# 纯文本（默认）- 适用于简单的 RAG
loader = OpenDataLoaderPDFLoader(file_path="doc.pdf", format="text")

# Markdown - 保留标题、列表、表格
loader = OpenDataLoaderPDFLoader(file_path="doc.pdf", format="markdown")

# JSON - 包含边界框的结构化数据
loader = OpenDataLoaderPDFLoader(file_path="doc.pdf", format="json")

# HTML - 带样式的输出
loader = OpenDataLoaderPDFLoader(file_path="doc.pdf", format="html")

带标签的 PDF 支持

对于具有结构标签的可访问 PDF（常见于政府/法律文档）：

loader = OpenDataLoaderPDFLoader(
    file_path="accessible_document.pdf",
    use_struct_tree=True  # 使用原生 PDF 结构
)

密码保护的 PDF

loader = OpenDataLoaderPDFLoader(
    file_path="encrypted.pdf",
    password="secret123"
)

图像处理

# 默认排除图像 (image_output="off")
# 这对于基于文本的 RAG 管道是最优的

# 将图像嵌入为 Base64（用于多模态 RAG）
loader = OpenDataLoaderPDFLoader(
    file_path="doc.pdf",
    format="markdown",
    image_output="embedded",
    image_format="jpeg"  # 或 "png"
)

文档元数据

每个返回的 Document 都包含元数据：

doc.metadata
# {'source': 'document.pdf', 'format': 'text', 'page': 1}

其他资源

• LangChain OpenDataLoader PDF 集成 GitHub
• LangChain OpenDataLoader PDF 集成 PyPI 包
• OpenDataLoader PDF GitHub
• OpenDataLoader PDF 主页

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.