技能介绍

问题：PDF 不是给 LLM 读的格式

PDF 的文本流通常按绘制顺序排列，而不是阅读顺序；表格线、合并单元格、多栏版式在解析后常常错位；扫描件和 OCR 场景还会把噪点当成文字。如果直接把 PDF 交给模型，要么丢结构，要么被无关字符污染。更麻烦的是，当任务目标不是“提取文字”，而是让文档满足无障碍访问要求时，普通文本提取根本不够——你需要一棵语义树，而不是一段字符串。

这个技能解决什么

OpenDataLoader PDF 把 PDF 转换成 LLM 可直接使用的结构化结果：

Markdown：保留标题、段落、列表等文本层次，适合接 RAG 或长上下文模型。
坐标感知 JSON：带位置信息，方便后续做版面分析、表格重建或区域裁剪。
Tagged PDF 输出：同一管线还能生成标记 PDF，用于无障碍阅读和合规流程。

核心流程可以概括为：读取 PDF → 做布局分析 → 提取文本、表格和结构 → 按目标格式序列化。对无障碍场景，它不只输出文本，还会生成可被屏幕阅读器理解的标记结构，并支持用 veraPDF 做自动化验证。

需要注意的边界

它不是即插即用的魔法。运行环境要求 Python 3.10+ 和 Java 11+；Node.js 与 Java SDK 也提供，但核心依赖不能忽略。面对复杂版面或 OCR 重的文档，建议启用 hybrid-mode 后端，否则简单模式可能丢结构。开源核心包含数据提取、布局分析和自动标记为 Tagged PDF；PDF/UA 导出和 Accessibility Studio 属于企业附加组件，不要默认本地免费可用。

基准数据可以作为选型参考：hybrid 模式下整体提取准确率为 0.907，表格提取准确率为 0.928，本地模式速度约 0.015s/page。但这些数字不等于你文档上的实测结果，上线前仍应抽样验证 Markdown/JSON 的字段完整性，以及标记 PDF 是否能通过目标合规检查。