PDF-Extract-Kit｜PDF复杂文档内容提取模型工具箱

这是什么

PDF-Extract-Kit 是 OpenDataLab 推出的开源模型工具箱，目标是从复杂多样的 PDF 文档中高质量地提取内容。它把版面检测、公式检测、公式识别、OCR、表格识别等多个文档解析模型集成在一起，供开发者按需组合调用。

需要特别区分：它本质上是一个开发库/模型工具箱，而不是开箱即用的成品软件。官方文档也明确说明，本项目专注于用模型提取内容，不负责把提取结果重建成新文档（例如 PDF 转 Markdown）。如果有 PDF 转 Markdown 之类的一站式需求，官方建议使用同一团队的另一款工具 MinerU。

适合谁

• 需要在自己的程序里调用版面、公式、表格、OCR 等能力的开发者；
• 想构建文档翻译、文档问答、文档助手等应用的工程师；
• 需要对比不同解析模型效果的研究人员。

主要功能模块

• 版面检测：定位图像、表格、文字、标题、公式等元素，可选 DocLayout-YOLO（默认）、YOLO-v10、LayoutLMv3 等模型。
• 公式检测：定位行内与独立成行的公式，使用 YOLOv8 微调模型。
• 公式识别：把公式图像转换为 LaTeX 源码，基于 UniMERNet。
• OCR：从图像中提取文字内容及位置，基于 PaddleOCR。
• 表格识别：把表格图像转换为 LaTeX/HTML/Markdown，涉及 PaddleOCR+TableMaster、StructEqTable 等。
• 阅读顺序：官方标注为“即将推出”，尚未提供。

此外，官方列出的待办还包括化学公式检测与识别等，属于尚未完成的能力。

输入与输出

各脚本按配置读取输入（通常是待处理文档或图像），把结果写入 outputs 下的对应目录，如 outputs/layout_detection、outputs/formula_detection、outputs/ocr、outputs/formula_recognition、outputs/table_parsing。具体输入格式与参数请以官方教程为准，本文不对未列明细节作推断。

获取与使用步骤

1. 从代码托管页面获取项目源码；
2. 按官方说明创建 Python 3.10 的 conda 环境并安装依赖（无 GPU 的设备可改用 CPU 版依赖）；
3. 参照官方教程下载所需模型权重，可全量下载或按需选择；
4. 运行对应脚本，例如版面检测、公式检测、OCR、公式识别、表格解析等；
5. 在输出目录查看结果；若需组合成应用，可修改配置文件并写少量代码。

官方 README 中给出的具体版本号、安装命令与脚本参数请以官方文档为准，本文不重复也不做补充。

运行环境与硬件

官方要求 Python 3.10 环境，并提供 GPU 与 CPU 两套依赖方案；不同模型的实际显存与内存需求官方文档未在本资料中给出，属待核查。是否需要 GPU 加速、最低硬件配置等，建议在使用前对照官方教程确认。

费用与国内访问

项目代码在 AGPL-3.0 下开源。模型权重托管在 Hugging Face 与 ModelScope 两处，本资料未说明权重是否有单独许可条款，需分别核对。Hugging Face 在国内的访问稳定性属待核查，ModelScope 可作为备选下载渠道。是否产生费用、是否有商用限制，均需按代码许可与权重许可原文判断。

许可证注意事项

本仓库整体采用 AGPL-3.0。官方解释称，由于使用了 YOLO 代码并借助 PyMuPDF 处理文件，这些组件要求遵守 AGPL-3.0，因此整个仓库采用同一许可。若你计划把修改后的版本以网络服务形式提供给他人使用，AGPL-3.0 对源码开放有额外要求，商用或闭源集成前应咨询专业人士。项目内集成的各模型（LayoutLMv3、UniMERNet、StructEqTable、YOLO、PaddleOCR、DocLayout-YOLO 等）来自不同来源，其许可需分别确认，不应视为统一采用同一许可。

隐私提示

该工具箱在本地运行，文档内容是否离开本机取决于你的部署方式与是否调用外部服务，本资料未涉及相关能力，具体需自行评估。

实测说明

本文依据官方资料整理，未进行实际安装与效果测试；性能表现、精度与适配结论请以官方文档与自测结果为准，Star 数量不作为质量依据。

来源与使用边界

官方仓库：https://github.com/opendatalab/PDF-Extract-Kit

资料版本：https://github.com/opendatalab/PDF-Extract-Kit/blob/fdb25fd4bd9058ba4e13ac16cb68d4f06b23df56/README.md

维护方：opendatalab/PDF-Extract-Kit；采集日期：2026-11-13。依据官方资料经AI整理，本站未安装、运行或实测。

许可标识：AGPL-3.0，具体范围以原始许可文件为准；代码、模型权重、依赖及在线服务适用各自条款。开源不代表模型调用、托管或商业服务免费。国内访问、硬件及模型适配条件未经本站验证。