matematicsolutions/awesome-matematic-skills-pl / dokumenty/skills/opendataloader-pdf
opendataloader-pdf
VerifiedWysokiej jakości konwerter PDF→JSON/Markdown dla AI - zachowuje reading order, strukturę tabel, headings. Użyj gdy użytkownik mówi "wysoka jakość PDF", "papers naukowe PDF", "tabele z PDF", "opendataloader", "PDF z skomplikowaną strukturą", albo gdy MarkItDown daje słaby output. Główny konwerter PDF→MD w pipeline Konwerter/ w Obsidian Vault.
OpenDataLoader PDF - PDF→JSON/MD (PL)
Java-based (Python wrapper) parser PDF najwyższej jakości dla AI. Benchmarki: NID (reading order), TEDS (tabele), MHS (headings). Używany w pipeline Konwerter/ w vault.
Instalacja (zrobione 2026-04-21)
python -m pip install --user opendataloader-pdf
Python 3.14, opendataloader-pdf 2.2.1. Wymaga Java 17+ (mamy Eclipse Adoptium JDK 17). CLI: python -m opendataloader_pdf albo opendataloader-pdf.exe ze Scripts/.
Wspierane outputy
- JSON (pełna struktura - reading order, bounding boxes, tabele jako 2D arrays) - default
- Markdown (flattened output, gotowy pod LLM)
- HTML (opcjonalnie)
Użycie
CLI - pojedynczy PDF
python -m opendataloader_pdf --input plik.pdf --output output/ --format md
Batch (Obsidian Vault, pipeline Konwerter)
python -m opendataloader_pdf \
--input "%USERPROFILE%/Documents/Obsidian Vault/wszystko co wpada szybko/" \
--output "%USERPROFILE%/Documents/Obsidian Vault/Konwerter/" \
--format md \
--recursive
Zaawansowane flagi
--enrich-formula- wyciąga formuły LaTeX--enrich-picture-description- opis obrazów (wymaga--hybrid-mode full)--filter-hidden-text- wykrywa ukryty tekst (off by default, per-page rendering)
Python API
import opendataloader_pdf
result = opendataloader_pdf.load("plik.pdf", output_format="markdown")
print(result.markdown)
Kiedy użyć vs MarkItDown
| Narzędzie | |
|---|---|
| Prosty, tekst liniowy (blog, artykuł prasowy) | MarkItDown (szybsze) |
| Papers naukowe, raporty z tabelami | OpenDataLoader (jakość) |
| Dokumenty z 2-kolumnowym layoutem | OpenDataLoader (reading order) |
| Multi-page tabele | OpenDataLoader (TEDS) |
| Batch Konwerter/ (domyślnie) | OpenDataLoader |
Integracja z vault
Pipeline Konwerter (istnieje Python script w _vault-management/scripts/):
- PDF wrzucone do
wszystko co wpada szybko/lub dropowane bezpośrednio opendataloader-pdf --input <path> --format md --output Konwerter/- Frontmatter:
type: source-pdf, tags: [pdf, zrodlo]- zgodnie zvault-rules.json→clippings.classification_rules.pdf_source - Powiązane oryginały PDF w folderze
Konwerter/lub Attachments
Gotcha
- Java 17 wymagana - Adoptium JDK zainstalowana (
/c/Program Files/Eclipse Adoptium/jdk-17.0.10.7-hotspot/) - Wolniejsze niż MarkItDown - nie używaj dla prostych PDFów
- ForkJoinPool parallelism - per-page przetwarzanie równoległe,
--filter-hidden-textwyłącza parallel - Przy zmianach CLI opcji w Java:
npm run sync(dla kontrybutorów - nas nie dotyczy)
Zasady
- Zawsze output do
Konwerter/, nie nadpisuj oryginalnych PDF - Batch > 10 PDF → zapytaj Wiesława przed startem
- Idempotencja: jeśli
.mdjuż istnieje w output i checksumma PDF nie zmieniona → skip
Wspólne reguły wtyczki dokumenty (Dokumenty)
Te reguły obowiązują w każdym skillu tej wtyczki, także gdy sam skill milczy. Są skopiowane do każdego skilla, więc działają zarówno po instalacji całej wtyczki, jak i pojedynczego skilla.
Plugin obsługuje dokumenty: konwersję do Markdown, redlining .docx i anonimizację danych osobowych. Część operacji dotyka danych wrażliwych, więc reguła ochrony danych jest tu pierwsza.
Ochrona danych
- Anonimizacja przed wysyłką - gdy dokument zawiera dane osobowe, oczyść je lokalnie (skill
let-it-be), zanim treść trafi do modelu. Dane osobowe nie powinny wychodzić do API. To zasada minimalizacji (RODO). - Metadane przy wysyłce - redlining .docx czyści też metadane autora; sprawdź je przed przekazaniem pliku na zewnątrz.
- Próg poufności - materiał objęty tajemnicą lub szczególnie wrażliwy oceniaj osobno, czy w ogóle wnosić do narzędzia. Przy wątpliwości nie przekazuj.
Operacje nieodwracalne
Niektóre operacje są nieodwracalne (anonimizacja w trybie nieodwracalnym, zaakceptowanie wszystkich zmian w .docx). Skille oznaczają je jawnie - wykonuj je dopiero po potwierdzeniu przez człowieka.
Bramka człowieka
Wynik to projekt. Nic nie zostaje wysłane ani złożone, zanim sprawdzi to uprawniony człowiek. Plugin przygotowuje plik, nie wykonuje aktu wysyłki.
Zakres pluginu
Plugin daje narzędzia na dokumentach (konwersja, redline, anonimizacja, akta i chronologia). Nie ocenia treści prawnej. Weryfikację cytatu wobec źródła prawa daje plugin „fundament weryfikacyjny”; chronologia-stanowiska-pl sprawdza tylko, czy cytat stoi na wskazanej stronie akt.
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| writing-skillsobra/superpowersUse when creating new skills, editing existing skills, or verifying skills work before deployment | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| xlsxanthropics/skillsUse this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .xltx, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like "the xlsx in my downloads") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| shipping-and-launchaddyosmani/agent-skillsPrepares production launches. Use when preparing to deploy to production, or when asking what needs to be in place before shipping. Use when you need a pre-launch checklist, when setting up monitoring, when planning a staged rollout, or when you need a rollback strategy. | Stars: 119k | Updated | Claude CodeCodex | Verified | Install |
| childhoodthedotmack/claude-memBabysit a shipped release after merge, publication, or deployment. Verify published packages, production behavior, installed plugins, and late CI or user reports until the observation window is clean; use babysit for PR readiness before release. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |