opendataloader-project/opendataloader-pdf

外部のオープンソース リポジトリを紹介するページです。HDATFの製品ではありません。

何をするか

PDFからMarkdown、bounding box付きのJSON、HTMLを抽出します。毎回同じ結果を出すローカルモードと、複雑なページ向けにOCRを備えたAI hybridモードがあります。タグのないPDFにタグを付け、スクリーンリーダーで読めるようにする機能もあります。

ATFへの役立ち方

Company Brainで回答の根拠を元のPDFの正確な位置に結び付ける際、JSON出力に含まれるbounding boxの方式は参考になり得ます。社内文書の解析用としてMinerUと比較する価値があります。

ライセンス

Apache-2.0 寛容で特許許諾を含みます。商用利用できます。告知を残し、変更点を明記します。

同じ分野のリポジトリ

• microsoft/markitdown
  MarkItDownは、PDF、Word、PowerPoint、Excel、画像、音声、HTML、ZIPなどのファイルを、LLMやテキスト分析で使えるようMarkdownに変換するPythonツールです。見出し、リスト、表、リンクなどの構造を保ちます。
• google/langextract
  LangExtractは、LLMを使い、ユーザーが定めた指示と例に沿って非構造テキストから構造化された情報を取り出すPythonライブラリです。取り出した項目ごとに原文の正確な位置が対応付けられ、結果をインタラクティブに確認できます。
• Cocoon-AI/architecture-diagram-generator
  システムの説明文をダークテーマのアーキテクチャ図に変換するClaude skillです。結果はSVGを含む単独のHTMLファイルで、コピー、PNG、PDFの書き出しボタンが付いています。
• usememos/memos
  Memosは、素早く書き留めるためのオープンソースでセルフホスト型のメモアプリです。日々のメモ、リンク、作業ログ、スニペットが時系列のMarkdownタイムラインにたまり、タグ、検索、ピン留めがあり、メモごとに非公開か共有かを選べます。
• refactoringhq/tolaria
  macOS、Windows、Linuxでマークダウンのナレッジベースを管理するデスクトップアプリです。ノートは普通のマークダウンファイルのままで、各ボールトはgitリポジトリになり、アカウントなしでオフラインで動きます。

Trendshiftのランキングに入ったリポジトリだけを載せ、リストは候補を探すためだけに使いました。順位の数字は転載していません。説明、ライセンス、スター数は各GitHubリポジトリで確認しました。解説は私たちの判断です。これらを試験したわけではなく、上昇リストに載ったことは品質の証明ではありません。