具有布局、表格、公式和边界框的轻量级 PDF 解析器

摘要

【HN用户评论摘要】 I currently use https://github.com/firecrawl/anydoc in my PDF pipelines. In most cases it performs well. I'll test your lib to compare. Great work, thanks for sharing. I built this because ...

and https github com PDF for Markdown JSON their The

2026-10-02 1 阅读约1分钟阅读 beatrizalmeidaf

【HN用户评论摘要】我目前在 PDF 管道中使用 https://github.com/firecrawl/anydoc。大多数情况下它表现良好。我会测试你的库进行比较。伟大的工作，感谢分享。我构建这个是因为将 PDF 提取到 Markdown/JSON 中经常会丢失阅读顺序、表格、公式、图形及其原始位置。目标是一个轻量级文档提取管道，可以保留导出到 Markdown、JSON 时的文档结构和边界框 Excel 和 Word。我还在研究 RAG 的结构感知语义分块，因此检索块可以保留它们在 PDF 中的部分、页面和确切的视觉位置。该项目是开源的，我希望得到反馈原始链接：https://github.com/beatrizalmeidaf/papero-pdf-text-extractor

订阅66必读