Question 1

--quietフラグを使用しない場合、opendataloader-pdfはなぜ出力を2回表示するのですか？

Accepted Answer

バグにより、--quietオプションが設定されていない場合にstdout出力が重複して出力されます。この修正では、ストリーミングモードでPromiseを空文字列で解決することで、CLIが二重書き込みをするのを防ぎます。最新版のopendataloader-pdfにアップデートするか、PR #399の変更を手動で適用してください。src/index.tsのexecuteJar関数内で、resolve呼び出しを`resolve(streamOutput ? '' : stdout)`に変更してください。

Question 2

OpenDataLoaderPDF.processFileの後にPDFを削除しようとすると、「The file cannot be deleted because it is being used by another process」というエラーで失敗するのはなぜですか？

Accepted Answer

OpenDataLoader 2.2.1では、処理後にPDF PDDocumentおよび関連リソースが適切にクローズされず、アクティブなファイルロックが残ります。これを修正するには、リソースクリーンアップメソッドを追加し、既存のprocessFileロジックをtry-finallyブロックでラップします。DocumentProcessor.javaに以下を実装してください：

// Add this method
private static void closePdfResources() {
    try {
        StaticLayoutContainers.closeContrastRatioConsumer();
    } catch (Exception e) {
        LOGGER.log(Level.WARNING, "Unable to close contrast ratio consumer: " + e.getMessage());
    }
    PDDocument document = StaticResources.getDocument();
    if (document != null) {
        try {
            document.close();
        } catch (Exception e) {
            LOGGER.log(Level.WARNING, "Unable to close PDF document: " + e.getMessage());
        }
    }
}

// Wrap processFile body in try-finally
public static void processFile(String inputPdfName, Config config) throws IOException {
    try {
        // ... original code ...
    } finally {
        closePdfResources();
    }
}

この修正を適用後、ファイルは処理直後に削除できるようになります。

Question 3

元のPDFファイル名にスペースが含まれている場合、生成されたmarkdown内で画像が表示されないのはなぜですか？

Accepted Answer

マークダウンコンバータは、エスケープされていないスペースを含む画像リンクを生成し、その結果、レンダラは最初のスペースでパスを切り詰めます（例：`![image](my paper_images/image.png)`）。これを修正するには、画像パスをangle bracketsで囲みます：`![image](<my paper_images/image.png>)`。これはCommonMark §6.4に準拠しており、VS Code、GitHub、およびほとんどのレンダラで画像が正しく表示されることを保証します。この修正はコミット4b87a30（PR #468）に含まれています。

Question 4

opendataloader_pdf を使用して PDF を変換する際に、「subprocess.CalledProcessError: returned non-zero exit status 1」を修正する方法

Accepted Answer

このエラーは、特定のPDF（例：QuarkXPressで生成されたファイル）を処理する際の画像抽出ロジックのバグによって発生します。このバグは新しいリリースで修正されました。pipを使用してopendataloader_pdfを最新バージョン（v2.0.3以降）にアップグレードしてください：pip install --upgrade opendataloader_pdf

Question 5

numpy >= 2.0 を docling やハイブリッドライブラリで使用するとエラーが発生するのはなぜですか？

Accepted Answer

このプロジェクトは既に numpy >= 2.0 をネイティブでサポートしています（lockfiles 内の numpy 2.2.6/2.4.2 で確認済み）。エラーが発生した場合、以前に numpy < 2 に固定されていた docling や easyocr などの推移的依存関係の古いインストールが原因である可能性が高いです。修正するには、最初から再インストールしてください：pip install --upgrade --force-reinstall docling または pip install --no-cache-dir docling[easyocr]。すべてのパッケージが更新されていることを確認してください。問題が解決しない場合は、pip list で解決された依存関係のバージョンを確認し、traceback、Python version、インストール方法を報告してください。

opendataloader-pdf

概要

README プレビュー

FAQ (5)

同类型项目

puppeteer

PaddleOCR

crawl4ai

prisma