盘点10款PDF优质开源工具，yyds！

1、MinerU

开源地址：github.com/opendatalab/

MinerU是一款开源的智能文档解析工具，专注于将PDF等文档高效转换为Markdown和JSON等结构化格式。在当前大语言模型(LLM)蓬勃发展的时代，高质量的结构化数据对于训练和微调LLM至关重要。

MinerU通过其强大的智能文档解析能力，不仅可以为LLM提供清晰的训练语料，还能作为AI应用的重要数据预处理工具。与传统PDF处理工具不同，MinerU的智能解析能力涵盖了文本、图片、表格和公式等多模态内容，尤其适用于多语言文档和复杂布局的PDF文件批量处理。

MinerU主要功能

1. 多模态PDF文档解析：MinerU能够处理包含图片、表格、公式等多种格式元素的复杂PDF文档，并将其转换为Markdown格式，使得内容更加清晰且易于分析。

2. 网页内容提取：工具能够从含有广告或其他干扰信息的网页中提取正式内容，提高信息的纯净度和可用性。

3. 多种格式转换：MinerU支持将epub、mobi、docx等电子文档格式批量转换为Markdown，使得不同来源和格式的文档能够统一处理。

4. 模块化设计：

– Magic-PDF：专注于PDF文档的提取，能够快速识别PDF中的版面元素，自动去除非正文内容，保留文档的结构和格式。

– Magic-Doc：处理网页和电子书的提取，支持常见类型的网页信息抽取以及电子书格式转换。

5. 高质量数据提取：通过运用一系列先进的模型，如LayoutLMv3、YOLOv8、UniMERNet和PaddleOCR，MinerU能够实现高质量的文档数据提取。

6. 支持多种平台和环境：MinerU可以在Windows、Linux和macOS等多个平台和环境下运行，并支持在CPU和GPU上执行。

7. 排版格式优化：转换后的文档排版格式符合人类阅读顺序，保留了原文档的结构和格式，便于后续的分析和处理。

8. 图像和表格处理：MinerU能够提取文档中的图像和表格，并将表格内容转换为可编辑的格式。

9. 公式转换：工具可以将PDF中的公式转换为LaTex格式，便于学术写作和文档排版。

10. 乱码PDF自动识别：MinerU具备自动识别乱码PDF的能力，提升文档的可读性。

动图封面

2、PdfSharp

PDFSharp是一款开源的.NET库，专为处理PDF文档处理而开发的。提供了全面的PDF处理功能，包括创建、编辑、合并、拆分和转换PDF文件。

提供了简单易用的API，使开发者能够快速上手并轻松创建和处理PDF文档。

开源地址：github.com/empira/PDFsh

官网地址：pdfsharp.net/

主要功能

1、创建PDF：无需预先存在的模板，PDFSharp允许您直接从头开始构建PDF文档。

2、内容插入：支持在PDF页面中添加文本、图像、表格、图形等丰富元素。

3、格式化：提供字体选择、颜色设定、布局调整等样式控制功能，帮助您创建高度定制化的PDF文档。

4、合并与拆分：能够将多个PDF文档合并成一个，或将一个PDF文档拆分成多个部分。

5、加密与解密：对PDF文件进行安全设置，保护文档内容不被非法访问。

3、PDFMathTranslate

开源地址：github.com/Byaidu/PDFMa

能完美保留 PDF 中的公式、图表和目录结构，还支持生成双语对照的版本，让阅读英文文献变得轻松自如。

最重要的是，它完全免费，还支持离线使用！

PDFMathTranslate是一款强大的开源PDF文档翻译工具，具有以下特点：

  • 保留原始PDF排版样式：翻译后的文档会完整保持原文的格式、图片、公式等元素
  • 支持双语对照：可以同时显示原文和译文，方便对比学习
  • 数学公式处理：能够准确识别和保留数学公式，不会破坏公式的结构
  • 开源免费：软件完全开源，用户可以免费使用和修改

这个工具特别适合需要阅读外文学术论文的学生和研究人员，可以帮助他们快速理解文献内容，同时保持专业术语和数学公式的准确性。

4、PDF-Extract-Kit

开源地址：github.com/opendatalab/

PDF文档包含了大量的有用信息，例如文本、表格、图像、公式等。此外，PDF的文档布局也相当复杂，页眉、页脚、表格标题、图片标题等等。因此，实现高质量的PDF内容提取是一项非常有挑战性的工作。笔者也曾尝试过基于python包、基于布局检测+OCR识别的多种方案，始终没有找到满意的解决方案。

PDF-Extract-Kit 项目结合多样性PDF文档标注，训练了鲁棒的布局检测和公式检测模型。在论文、教材、研报、财报等多样性的PDF文档上，pipeline都能得到准确的提取结果，对于扫描模糊、水印等情况也有较高鲁棒性。

项目将PDF内容提取工作拆解为以下任务：

  • 布局检测：使用LayoutLMv3模型进行区域检测，如图像，表格,标题,文本等；
  • 公式检测：使用YOLOv8进行公式检测，包含行内公式和行间公式；
  • 公式识别：使用UniMERNet进行公式识别；
  • 光学字符识别：使用PaddleOCR进行文本识别；

5、pdf2htmlEX

开源地址：github.com/pdf2htmlEX/p

基于 pdf2htmlEX 的分支，将 PDF 转换为 HTML，其转换效果非常好，生成的网页和原始 PDF 几乎完全一致。

原理是利用 Chrome Headless 来渲染 PDF，然后导出为 HTML 格式，甚至连图片也被转换为了 base64 编码，因此生成的网页可以完整包含文本、字体和图片等所有内容。

功能

  • 原生 HTML 文本，具有精确的字体和位置；
  • 灵活的输出：一体化 HTML 或按需页面加载（需要 JavaScript）；
  • 文件大小适中，有时甚至比 PDF 还小；
  • 支持链接、大纲（书签）、打印、SVG 背景、Type 3 字体；

使用效果

使用 pdf2htmlEx 转换后的 html 格式高度的还原了 pdf，对比之前的工具，这个已经堪称神器了，配合翻译，可以更加高效的阅读文档，所以十分推荐大家使用这个。

6、QuestPDF

开源地址：github.com/QuestPDF/Que

QuestPDF是一个.NET开源、现代化、高效的PDF文档生成工具库。它提供了一套强大的 API，使开发人员能够使用C#语言来创建、编辑和处理 PDF 文件。QuestPDF 提供了丰富的功能，包括布局引擎、多平台支持、高级语言支持、文本样式控制、图像插入、表格和列表、链接和书签、字体和颜色管理、PDF 文件合并和拆分等。

效果展示：

动图封面

7、PDF补丁丁

开源地址：github.com/wmjordan/PDF

PDF补丁丁是一款免费、开源的PDF文件编辑、处理软件，适用于Windows操作系统。它的主要功能是修改PDF文件中的页面内容、页面顺序、添加或删除页面，以及旋转、提取、合并和拆分PDF文件。

它以极简干净的界面著称，功能板块清晰直观，没有任何冗余元素。

它完全免费，功能强大且实用，每个功能都配有丰富的设置选项，上手容易，操作简单。

PDF补丁丁的功能特点：

1. 修改文本和图片：用户可以使用PDF补丁丁编辑PDF文件中的文本和图片。可以对文本进行更改、删除、添加等操作，还可以调整字体、大小、颜色等格式。同时，也可以对图片进行裁剪、旋转、调整大小等操作。

2. 调整页面顺序：PDF补丁丁允许用户随意调整PDF文件中页面顺序。可以将某一页面移动到其他位置，也可以将多个页面重新排序。

3. 添加和删除页面：用户可以使用PDF补丁丁在PDF文件中添加或删除页面。可以添加新的空白页面、从其他PDF文件中导入页面，或者从图像文件（如JPEG、PNG等）创建页面。同时，也可以删除不需要的页面。

4. 旋转页面：PDF补丁丁支持旋转PDF文件页面。可以顺时针或逆时针旋转90度、180度或270度。

5. 提取和合并：PDF补丁丁可以从PDF文件中提取特定页面，也可以将多个PDF文件合并成一个文件。

6. 分割PDF文件：PDF补丁丁可以将一个PDF文件拆分成多个文件，可以按照页数、文件大小等条件进行分割。

7. 增加或删除书签：PDF补丁丁支持在PDF文件中增加或删除书签。用户可以为特定的页面添加书签，方便快速定位到所需的内容。

8. 加密和解密：PDF补丁丁支持对PDF文件进行加密和解密。可以设置密码以防止未经授权的人打开文件，也可以移除密码以便于共享文件。

需要注意的是，虽然PDF补丁丁功能丰富，但处理复杂PDF文件时可能存在局限性。如需完成更高级的任务，可以考虑使用其他专业的PDF编辑软件。

8、PDFBox

开源地址：github.com/apache/pdfbo

PDFBox是Apache基金会推出的一个开源Java工具库，专门用来操作PDF文件。简单来说，它是PDF的“万能工具箱”，可以让我们用代码对PDF文件为所欲为。

Apache PDFBox库是一个开源的Java工具，专门用于处理PDF文档。它允许用户创建全新的PDF文件，编辑现有的PDF文档，以及从PDF文件中提取内容。

功能：创建、渲染、打印、合并、拆分、加密、解密、签名等多种操作PDF文件的功能，包括一个命令行工具，可以用于执行各种PDF处理任务。支持文本提取和搜索，以及将PDF转换为其他格式，如图片和文本。

应用场景：广泛应用于企业和开发者构建PDF处理相关的应用程序和工具。

9、PdfiumViewer

PdfiumViewer是一款基于谷歌开源PDF渲染引擎PDFium的.NET库，主要用于在Windows应用程序中显示和处理PDF文档。

PdfiumViewer提供了多种API和控件，使得开发者可以轻松地将PDF文档嵌入到其应用程序中。

PdfiumViewer：github.com/1000374/Pdfi

Pdfium.Net.Free（扩展库）：github.com/1000374/Pdfi

PdfiumViewer是一款基于PDFium引擎的.NET库，适用于各种需要在应用程序中显示和处理PDF文档的场景。它提供了多种API和控件，使得开发者可以轻松地将PDF文档嵌入到其应用程序中。

同时，PdfiumViewer还支持多种平台，具有良好的跨平台支持。开发者可以根据自己的需求来选择合适的PDF处理库。

10、PDF-Guru

开源地址：github.com/kevin2li/PDF

PDF Guru Anki 是一款以 PDF 为中心的多功能办公学习工具箱软件，包含四大板块功能：PDF 实用工具箱、Anki 制卡神器、Anki 最强辅助、视频笔记神器，软件功能众多且强大，熟练运用可以大幅提高办公和学习效率，绝对是您不可多得的效率神器。

四大板块功能介绍：

  1. PDF 实用工具箱，包含 PDF 水印去除、PDF 批量添加书签、PDF 批量 OCR、PDF 转换等众多超实用功能。
  2. Anki 制卡神器 , 支持『PDF、Word、Xmind、幕布、Markdown、Excel、微信读书、欧陆词典』等众多类型材料快速制作 Anki 卡片，支持挖空题、问答题、选择题等常见题型批量制卡，有效解决 Anki 卡片制作过程繁杂、效率低下等问题，可以为用户节省大量时间来专注于学习本身。
  3. Anki 最强辅助 , 大幅拓展了 Anki 的周边功能，包含自建同步服务器、Anki 卡片导出 PDF、字段批量修改替换、批量添加发音、图片批量上传图床等众多实用功能，让您使用 Anki 更加得心应手。
  4. 视频笔记神器 , 支持边看视频边记笔记，方便快捷地在笔记中插入视频时间戳和视频截图，同时支持时间戳回链跳转，实现笔记高效记录和后期回顾，将做好的笔记搭配本软件的 Anki 制卡功能一键导入 Anki，打造学习从记录归纳到复习背诵的完美闭环。