← Descubrir
GitHub · opendataloader-project/opendataloader-pdf↑ +570 hoy

Prepare datos PDF para IA

OpenDataLoader PDF es un analizador de PDF de código abierto que pone datos a disposición de modelos de inteligencia artificial. Este proyecto basado en Java acelera los procesos de procesamiento de datos al automatizar la accesibilidad de los documentos PDF.

Actualizaciones

  • 22 de octubre de 2026: Estrellas 29,752 → 29,817, última versión v2.5.15 (22 de octubre de 2026).
  • 21 de octubre de 2026: Estrellas 29,669 → 29,752, última versión v2.5.14 (21 de octubre de 2026).
  • 13 de octubre de 2026: Estrellas 29,447 → 29,669, última versión v2.5.13 (13 de octubre de 2026).
  • 1 de octubre de 2026: Estrellas 29,384 → 29,447, última versión v2.5.12 (1 de octubre de 2026).

Qué aporta

  • Convierte archivos PDF a formato Markdown, JSON o HTML para modelos de IA.
  • Proporciona extracción de datos de alta precisión para documentos escaneados y tablas complejas.
  • Etiqueta automáticamente archivos PDF de acuerdo con los estándares de accesibilidad.

Instalación

Instalación con Python
pip install -U opendataloader-pdf
Instalación con modo híbrido
pip install -U "opendataloader-pdf[hybrid]"

Ejecución

Proceso de conversión de PDF
import opendataloader_pdf

# Batch all files in one call — each convert() spawns a JVM process, so repeated calls are slow
opendataloader_pdf.convert(
    input_path=["file1.pdf", "file2.pdf", "folder/"],
    output_dir="output/",
    format="markdown,json"
)

Si no programa

Pegue esto en su agente (Claude Code · Codex · Antigravity)

Quiero analizar los archivos PDF que tengo usando la herramienta OpenDataLoader PDF y convertirlos a formatos de datos estructurados (Markdown o JSON) que pueda usar en procesos RAG o LLM. ¿Pueden ayudarme a crear un script para ejecutar en mi computadora local usando el SDK de Python que extraiga tablas, encabezados y texto de mis documentos en el orden de lectura correcto? También explique paso a paso cómo habilitar el modo híbrido para páginas complejas y personalizar la salida.

Repositorio: https://github.com/opendataloader-project/opendataloader-pdf. Sigue las instrucciones oficiales del archivo README de este repositorio para la instalación y ejecución.

Antes de empezar, comprueba en qué sistema operativo estamos y si las herramientas necesarias (ej. Python, Node.js, Git, Docker) están instaladas. Instala las que falten paso a paso según este sistema.

Crea una carpeta nueva y vacía para trabajar. No toques ningún archivo fuera de esta carpeta y no borres nada. Antes de ejecutar cada comando, dime qué vas a hacer en una frase.

Dime qué debería ver en la pantalla al final de cada paso. Si ocurre un error, te pegaré el mensaje de error tal cual y lo solucionaremos juntos.

Términos relacionados del glosario

PDF ParserParserMarkdownSDKRAGPDF
Para quién esPara desarrolladores que desean convertir documentos PDF en datos estructurados para modelos de IA y para usuarios que necesitan automatizar la accesibilidad de PDF.
LicenciaApache-2.0

Enlaces

TreScout no desarrolló esta herramienta · la encontramos en las tendencias de GitHub y la presentamos. Esta página describe el repositorio tal como estaba el 2026-06-04: El número de estrellas y nuestro texto son de ese día, el repositorio puede haber cambiado desde entonces. Consulte el enlace del repositorio para ver el estado actual. El texto de presentación se preparó con IA a partir de la propia documentación del repositorio y esta página se tradujo automáticamente del original en turco · prevalece la versión turca.