opendataloader-pdf，当前提供了三种主流语言的sdk 可以方便集成

包含的特性

• 结构化输出，支持包含语义类型的json格式
• 边界信息，每个元素包含坐标信息
• 读顺序，可以正确处理多列布局的顺序
• 噪音过滤，自动移除页眉，页脚，以及隐藏文本以及水印
• 通过官方文档加载器的langchain集成
• 不依赖gpu，速度还可以
• 本地优先
• 有比较高的吞吐量
• 包含了python，node，java 的支持

说明

在rag 以及ai 周边文档识别处理依然是一个比较重要的工作，opendataloader-pdf 可以尝试下，同时2.0 开始使用了apache 许可协议

参考资料

https://github.com/opendataloader-project/opendataloader-pdf

https://opendataloader.org/docs/whats-new-v2