opendataloader-project/opendataloader-pdf

本页介绍外部开源仓库，并非 HDATF 产品。

它做什么

从PDF中提取Markdown、带bounding box的JSON和HTML，提供结果确定的本地模式，以及针对复杂页面、带OCR的AI混合模式。它还能为未加标签的PDF添加标签，让屏幕阅读器可以读取。

在Company Brain中把回答对应回原始PDF的具体位置时，其JSON输出中的bounding box做法可以作为参考。用于解析公司文档时，值得与MinerU比较。

Apache-2.0 宽松许可，含专利授权。可商用，需保留声明并注明修改。

microsoft/markitdown
MarkItDown是一个Python工具，可将PDF、Word、PowerPoint、Excel、图片、音频、HTML、ZIP等文件转换为Markdown，供LLM和文本分析使用，并保留标题、列表、表格和链接等结构。
google/langextract
LangExtract是一个Python库，利用LLM按照用户定义的指令和示例，从非结构化文本中提取结构化信息。每个提取项都对应到原文中的确切位置，结果可以交互式查看。
Cocoon-AI/architecture-diagram-generator
一个把系统文字描述转换为深色主题架构图的Claude skill。输出是包含SVG的独立HTML文件，并带有复制以及导出PNG和PDF的按钮。
usememos/memos
Memos是一款用于快速记录的开源自托管笔记应用。日常笔记、链接、工作日志和代码片段按时间顺序汇入Markdown时间线，支持标签、搜索和置顶，每条笔记可设为私有或公开分享。
refactoringhq/tolaria
一款适用于macOS、Windows和Linux的桌面应用，用于管理Markdown知识库。笔记保持为普通Markdown文件，每个库都是一个git仓库，无需账号即可离线使用。

只收录进入 Trendshift 排行榜的仓库，榜单仅用于寻找候选项目，不转载名次。说明、许可证和星标数来自各 GitHub 仓库。解读是我们自己的判断。我们尚未测试这些项目，上榜并不证明质量。