pdfstract

把 PDF 变成可检索的向量，RAG 预处理一步到位。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 搜索知识 🍴 复刻 14 🐛 待处理 2 👀 关注 3
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 156
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，Apache-2.0许可证，可免费使用，无付费版本。

项目预览

pdfstract 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类搜索知识
开发团队AKSarav
官网地址https://pdfstract.com
GitHubhttps://github.com/AKSarav/pdfstract
定价模式🏷️完全免费
价格说明开源项目，Apache-2.0许可证，可免费使用，无付费版本。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型ai,chunking,data-extraction,dataengineering,docling,knowledgebase,ocr,pdf,pdfconversion,rag,rag-pipeline,unstructured
GitHub 星标★ 156
上线时间2025-07-14 00:00:00
代码更新2026-03-18
仓库体积26.0 MB
本站数据更新2026-11-09
维护状态低维护
收录时间2026-08-09
浏览次数1

项目介绍

PDFStract 是一个专注于 RAG（检索增强生成）流程的 PDF 处理工具，提供从 PDF 中提取文本、智能分块（chunking）和向量化嵌入（embedding）的一体化解决方案。它解决了 RAG 应用中 PDF 文档解析质量差、分块策略不合理导致检索效果不佳的问题。核心能力包括：支持多种 PDF 解析方式，能处理复杂布局；内置多种分块策略，可自定义块大小和重叠；集成了主流嵌入模型接口，方便生成向量；提供命令行（CLI）、Web 界面（WEBUI）和 API 三种使用方式，便于集成到现有系统。项目处于早期阶段，但定位清晰，旨在成为 RAG 管道中 PDF 预处理的标准层。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 156

核心亮点

  • 提供 CLI、WebUI、API 三种使用方式，灵活适配不同场景。
  • 内置多种分块策略，可调节块大小与重叠，优化检索效果。
  • 集成主流嵌入模型，简化向量化流程，降低上手门槛。

不足之处

  • 项目处于早期阶段（152 星），功能稳定性和生态成熟度待验证。
  • 文档和社区支持相对薄弱，遇到问题可参考资源有限。

适用场景

  • 构建企业知识库问答系统，需要高效处理大量 PDF 文档。
  • 开发 RAG 应用时，需要快速将 PDF 内容转换为可检索的向量。
  • 对 PDF 解析和分块效果有较高要求，希望精细化控制预处理流程。

替代项目

LlamaIndex、LangChain、unstructured

上一篇：llm-rag-vectordb-python

下一篇：duckdb-embedding-search

同类项目推荐

R2R 开源

一键部署生产级智能检索，让 RAG 应用开箱即用

SoTA production-ready AI retrieval system. Agentic Retrieval-Augmented Generation (R···

★ 8075 2026-08-09
quanta-quest 开源

本地跑大模型，搜遍你的所有数据，隐私不泄露

AI-powered universal search for all your personal data, tailored just for you. Goal···

★ 102 2026-08-09
Vinaya-Journal 开源

越写越懂你的本地智能日记，隐私安全可检索

A secure, local RAG journal that understands you better the more you write.

★ 172 2026-08-09
ask.py 开源

一条命令查完资料，答案自动总结好

A simple Python program to implement the search-extract-summarize flow.

★ 283 2026-08-09
LEANN 开源

让个人设备也能跑起又快又准的私有 RAG，存储省 97%。

[MLsys2026 Best Paper]: https://arxiv.org/abs/2506.08276. RAG on Everything with LEA···

★ 13784 2026-08-09
union-search-skill 开源

一次搜索 51 个渠道，按链接去重汇总

一次搜索 51 个渠道，默认返回每个渠道取到的全部结果，再按页面地址去重。覆盖网页、GitH···

★ 770 2026-11-07
mql 开源

说人话，出 SQL，查询数据库不再求人

MQL tool is designed to generate SQL queries directly from natural language inputs.

★ 215 2026-08-09
AutoRAG 开源

让 AI 帮你秒搜电脑里的任何东西，越用越聪明

Your Personal Librarian Agent. Ask anything on your computer, organize files, rememb···

★ 5409 2026-08-09
MaterialSearch 开源

用一句话搜出电脑里的照片和视频

Semantic search. Search local photos and videos through natural language. AI语义搜索···

★ 1990 2026-10-11