一键在 Manus 中运行任何 Skill

opendataloader-pdf

星标686

分支97

更新时间2026年3月19日 09:54

PDF 数据提取工具。当用户提到"PDF 提取"、"PDF 转 Markdown"、"PDF 解析"、"提取 PDF 内容"、"PDF 转 JSON"、"RAG PDF"时使用。OpenDataLoader PDF 是目前基准测试第一的 PDF 解析器，支持本地模式（快速、确定）和混合 AI 模式（复杂表格、扫描件、公式），输出 Markdown、JSON（带边界框）、HTML。适用于需要从 PDF 提取结构化数据用于 RAG/LLM pipeline，或需要批量处理 PDF 文档的场景。

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

chujianyun

chujianyun/skills

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

OpenDataLoader PDF

PDF 解析器 · 基准测试第一 · RAG/LLM 数据提取利器

功能定位

核心能力：从任意 PDF 提取结构化数据（Markdown、JSON、HTML），带边界框坐标
技术亮点：XY-Cut++ 读取顺序、Bounding Box 定位、AI 混合模式处理复杂页面
基准成绩：综合 0.90（第一），表格 0.93，读取顺序 0.94（对标 Docling、Marker、MinerU 等）
许可证：Apache 2.0（核心功能免费）

适用场景

批量提取 PDF 为 Markdown / JSON / HTML 用于 RAG 或 LLM 训练
需要边界框坐标做源码溯源（哪个段落来自 PDF 第几页哪个位置）
复杂表格、扫描件、含公式的学术 PDF
PDF 无障碍化（Tagged PDF 生成，Q2 2026 免费开放）

安装

前提

Java 11+
Python 3.10+

pip install -U opendataloader-pdf

混合 AI 模式（复杂表格 / OCR / 公式）：

pip install "opendataloader-pdf[hybrid]"

快速使用

CLI（适合单文件或批量）

# 快速模式：输出 Markdown + JSON
opendataloader-pdf input.pdf output_dir/

# 指定格式
opendataloader-pdf input.pdf output_dir/ --format markdown,json,html

# 混合 AI 模式（复杂表格 / 扫描件）
opendataloader-pdf --hybrid docling-fast input.pdf output_dir/

# 混合模式 + OCR（扫描件）
opendataloader-pdf --hybrid docling-fast --force-ocr input.pdf output_dir/

# 混合模式 + 公式识别
opendataloader-pdf --hybrid docling-fast --hybrid-mode full input.pdf output_dir/

Python API

import opendataloader_pdf

# 批量处理（一次调用会启动 JVM，建议批量一次性传入）
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

模式选择指南

文档类型	模式	命令
标准数字 PDF	快速（默认）	`opendataloader-pdf file.pdf out/`
复杂/无线框表格	混合	`opendataloader-pdf --hybrid docling-fast file.pdf out/`
扫描件	混合 + OCR	同上 + `--force-ocr`
非英语扫描件	混合 + OCR	`--force-ocr --ocr-lang "ko,en"`
含数学公式	混合 + 公式	`--hybrid docling-fast --hybrid-mode full`
图表需要描述	混合 + 图片描述	`--enrich-picture-description --hybrid-mode full`

输出格式说明

Markdown

保留标题层级、表格结构、列表嵌套，适合直接用于 chunking。

JSON（带边界框）

{
  "pages": [{
    "page_number": 1,
    "elements": [{
      "type": "heading",
      "text": "...",
      "bbox": [x0, y0, x1, y1],
      "level": 1
    }, {
      "type": "table",
      "bbox": [x0, y0, x1, y1],
      "html": "..."
    }]
  }]
}

每个元素都有 bbox 坐标，方便做源码溯源。

HTML

保留布局结构，适合渲染或进一步处理。

Gotchas

每次 convert() 调用会启动一个新的 JVM 进程，所以批量文件建议一次传入，而不是循环多次调用
混合模式需要在后台启动服务器：opendataloader-pdf-hybrid --port 5002，然后客户端加 --hybrid docling-fast
--enrich-formula 或 --enrich-picture-description 必须在混合服务器和客户端都加 --hybrid-mode full，否则强化功能静默跳过
Java 选项修改后必须运行 npm run sync，它会重新生成 options.json 和所有 Python/Node.js 绑定

与其他工具的对比

引擎	综合分	表格	速度（秒/页）
opendataloader（混合）	0.90	0.93	0.43
docling	0.86	0.89	0.73
marker	0.83	0.81	53.93
mineru	0.82	0.87	5.96
pymupdf4llm	0.57	0.40	0.09

引用信息

PyPI：pip install opendataloader-pdf
npm：npm install @opendataloader/pdf
Maven：org.opendataloader:opendataloader-pdf-core
GitHub：https://github.com/opendataloader-project/opendataloader-pdf
基准测试：https://github.com/opendataloader-project/opendataloader-bench

同仓库更多 Skills

同仓库

article-interpreter

chujianyun/skills

文章解读助手。对用户提供的文章（URL、Markdown、PDF、粘贴文本）进行结构化解读，输出包含总览、关键要点、个人启发、批判性思考和延伸思考的 Markdown 报告。触发词：文章解读、解读文章、帮我解读、读一下这篇、分析这篇文章、article interpretation。

2026-07-08686

remove-ai-flavor

chujianyun/skills

去除 AI 味道的文章风格优化技能。用于识别并改写文章、公众号稿、自媒体稿、口播稿、演讲稿、课程稿、产品文案中的 AI 痕迹、模板腔、资料味、翻译腔、内容空心、空洞大词、过度金句、破折号滥用、bullet 堆叠、动不动加粗等问题；当用户说“去 AI 味”“去除 AI 痕迹”“不像 AI 写的”“更像人写的”“更自然”“别太机器味”“去掉模板感”“改得像公众号终稿”时使用。不用于事实核查、从零选题策划、论文转公众号、纯标题生成或追求 AI 检测器通过率。

2026-07-08686

p7-advisor

chujianyun/skills

First-tier tech company P7 capability advisor for evaluating, coaching, and giving career advice against a P7 technical/product/expert profile. Use when the user asks for P7-level assessment, promotion readiness, capability gaps, resume/project review, interview preparation, or concrete growth advice based on first-tier tech company P7 expectations.

2026-06-30686

p8-advisor

chujianyun/skills

First-tier tech company P8 capability advisor for evaluating, coaching, and giving career advice against a P8 senior expert, architect, or domain-owner profile. Use when the user asks for P8-level assessment, promotion readiness, capability gaps, project or resume review, interview preparation, or growth advice based on first-tier tech company P8 expectations.

2026-06-30686

p9-advisor

chujianyun/skills

First-tier tech company P9 capability advisor for evaluating, coaching, and giving career advice against a P9 senior expert, director, or business/organization-level leader profile. Use when the user asks for P9-level assessment, promotion readiness, executive capability gaps, strategic project review, resume positioning, interview preparation, or growth advice based on first-tier tech company P9 expectations.

2026-06-30686

wechat-official-account-qr

chujianyun/skills

微信公众号关注二维码生成助手。当用户要根据公众号 ID、微信号、原始 ID 或 `gh_...` 生成公众号二维码、下载成本地图片并在 Agent/Codex 聊天里显示，或不知道如何在微信里找到公众号 ID、需要操作引导图时使用此技能。只适用于微信公众号二维码，不用于小程序码、个人微信二维码或企业微信二维码。

2026-06-14686

name	opendataloader-pdf
description	PDF 数据提取工具。当用户提到"PDF 提取"、"PDF 转 Markdown"、"PDF 解析"、"提取 PDF 内容"、"PDF 转 JSON"、"RAG PDF"时使用。OpenDataLoader PDF 是目前基准测试第一的 PDF 解析器，支持本地模式（快速、确定）和混合 AI 模式（复杂表格、扫描件、公式），输出 Markdown、JSON（带边界框）、HTML。适用于需要从 PDF 提取结构化数据用于 RAG/LLM pipeline，或需要批量处理 PDF 文档的场景。
updated_at	"2026-03-19T00:00:00.000Z"

OpenDataLoader PDF

PDF 解析器 · 基准测试第一 · RAG/LLM 数据提取利器

功能定位

核心能力：从任意 PDF 提取结构化数据（Markdown、JSON、HTML），带边界框坐标
技术亮点：XY-Cut++ 读取顺序、Bounding Box 定位、AI 混合模式处理复杂页面
基准成绩：综合 0.90（第一），表格 0.93，读取顺序 0.94（对标 Docling、Marker、MinerU 等）
许可证：Apache 2.0（核心功能免费）

适用场景

批量提取 PDF 为 Markdown / JSON / HTML 用于 RAG 或 LLM 训练
需要边界框坐标做源码溯源（哪个段落来自 PDF 第几页哪个位置）
复杂表格、扫描件、含公式的学术 PDF
PDF 无障碍化（Tagged PDF 生成，Q2 2026 免费开放）

安装

前提

Java 11+
Python 3.10+

pip install -U opendataloader-pdf

混合 AI 模式（复杂表格 / OCR / 公式）：

pip install "opendataloader-pdf[hybrid]"

快速使用

CLI（适合单文件或批量）

# 快速模式：输出 Markdown + JSON
opendataloader-pdf input.pdf output_dir/

# 指定格式
opendataloader-pdf input.pdf output_dir/ --format markdown,json,html

# 混合 AI 模式（复杂表格 / 扫描件）
opendataloader-pdf --hybrid docling-fast input.pdf output_dir/

# 混合模式 + OCR（扫描件）
opendataloader-pdf --hybrid docling-fast --force-ocr input.pdf output_dir/

# 混合模式 + 公式识别
opendataloader-pdf --hybrid docling-fast --hybrid-mode full input.pdf output_dir/

Python API

import opendataloader_pdf

# 批量处理（一次调用会启动 JVM，建议批量一次性传入）
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

模式选择指南

文档类型	模式	命令
标准数字 PDF	快速（默认）	`opendataloader-pdf file.pdf out/`
复杂/无线框表格	混合	`opendataloader-pdf --hybrid docling-fast file.pdf out/`
扫描件	混合 + OCR	同上 + `--force-ocr`
非英语扫描件	混合 + OCR	`--force-ocr --ocr-lang "ko,en"`
含数学公式	混合 + 公式	`--hybrid docling-fast --hybrid-mode full`
图表需要描述	混合 + 图片描述	`--enrich-picture-description --hybrid-mode full`

输出格式说明

Markdown

保留标题层级、表格结构、列表嵌套，适合直接用于 chunking。

JSON（带边界框）

{
  "pages": [{
    "page_number": 1,
    "elements": [{
      "type": "heading",
      "text": "...",
      "bbox": [x0, y0, x1, y1],
      "level": 1
    }, {
      "type": "table",
      "bbox": [x0, y0, x1, y1],
      "html": "..."
    }]
  }]
}

每个元素都有 bbox 坐标，方便做源码溯源。

HTML

保留布局结构，适合渲染或进一步处理。

Gotchas

每次 convert() 调用会启动一个新的 JVM 进程，所以批量文件建议一次传入，而不是循环多次调用
混合模式需要在后台启动服务器：opendataloader-pdf-hybrid --port 5002，然后客户端加 --hybrid docling-fast
--enrich-formula 或 --enrich-picture-description 必须在混合服务器和客户端都加 --hybrid-mode full，否则强化功能静默跳过
Java 选项修改后必须运行 npm run sync，它会重新生成 options.json 和所有 Python/Node.js 绑定

与其他工具的对比

引擎	综合分	表格	速度（秒/页）
opendataloader（混合）	0.90	0.93	0.43
docling	0.86	0.89	0.73
marker	0.83	0.81	53.93
mineru	0.82	0.87	5.96
pymupdf4llm	0.57	0.40	0.09

引用信息

PyPI：pip install opendataloader-pdf
npm：npm install @opendataloader/pdf
Maven：org.opendataloader:opendataloader-pdf-core
GitHub：https://github.com/opendataloader-project/opendataloader-pdf
基准测试：https://github.com/opendataloader-project/opendataloader-bench