opendataloader-project/opendataloader-pdf

외부 오픈소스 저장소를 소개하는 글입니다. HDATF 제품이 아닙니다.

무엇을 하나

PDF에서 Markdown, bounding box가 담긴 JSON, HTML을 뽑아냅니다. 매번 같은 결과를 내는 로컬 모드와, 복잡한 페이지를 위해 OCR을 포함한 AI hybrid 모드가 있습니다. 태그가 없는 PDF에 태그를 붙여 스크린 리더가 읽을 수 있게 하는 기능도 있습니다.

ATF에 주는 도움

Company Brain에서 답변의 근거를 원본 PDF의 정확한 위치로 연결할 때, JSON 출력에 담긴 bounding box 방식을 참고할 수 있습니다. 회사 문서 파싱용으로 MinerU와 비교해 볼 만합니다.

라이선스

Apache-2.0 허용 범위가 넓고 특허 사용 허락이 포함됩니다. 상업적 이용이 가능하며 고지 문구를 유지하고 변경 사실을 밝혀야 합니다.

같은 분야 저장소

• microsoft/markitdown
  MarkItDown은 PDF, Word, PowerPoint, Excel, 이미지, 오디오, HTML, ZIP 같은 파일을 LLM과 텍스트 분석에 쓰도록 Markdown으로 바꾸는 Python 도구입니다. 제목, 목록, 표, 링크 같은 구조를 유지합니다.
• google/langextract
  LangExtract는 LLM으로 비정형 텍스트에서 사용자가 정한 지시와 예시에 맞춰 구조화된 정보를 뽑는 Python 라이브러리입니다. 뽑은 항목마다 원문의 정확한 위치가 연결됩니다. 결과는 대화형 시각화로 볼 수 있습니다.
• Cocoon-AI/architecture-diagram-generator
  시스템 설명 글을 어두운 테마의 아키텍처 다이어그램으로 만들어 주는 Claude skill입니다. 결과는 SVG가 들어간 단독 HTML 파일입니다. 복사, PNG, PDF 내보내기 버튼이 붙어 있습니다.
• usememos/memos
  Memos는 빠른 기록을 위한 오픈소스 셀프 호스팅 메모 앱입니다. 일일 메모, 링크, 업무 기록, 코드 조각이 시간순 Markdown 타임라인에 쌓이고, 태그, 검색, 고정 기능이 있으며 메모마다 비공개나 공유를 고를 수 있습니다.
• refactoringhq/tolaria
  macOS, Windows, Linux에서 markdown 지식 베이스를 관리하는 데스크톱 앱입니다. 노트는 일반 markdown 파일로 남고, vault마다 git 저장소이며, 계정 없이 오프라인으로 동작합니다.

Trendshift 순위 목록에 오른 저장소만 담았고, 목록은 후보를 찾는 데만 썼습니다. 순위 숫자는 옮기지 않았습니다. 설명과 라이선스, 별 수는 각 GitHub 저장소에서 확인했습니다. 해설은 우리의 판단입니다. 이 프로젝트들을 직접 시험한 것은 아니며, 상승 목록에 올랐다고 품질이 증명되지는 않습니다.