Question 1

为什么在不使用--quiet标志时，opendataloader-pdf会打印两次输出？

Accepted Answer

一个bug导致在未设置--quiet选项时，stdout输出被重复。该修复在流式模式下用空字符串解析promise，以防止CLI双重写入。更新到最新版本的opendataloader-pdf，或手动应用PR #399的更改：在src/index.ts中，在executeJar函数中，将resolve调用改为`resolve(streamOutput ? '' : stdout)`。

Question 2

为什么在 OpenDataLoaderPDF.processFile 之后删除 PDF 会失败，出现“该文件无法删除，因为它正被另一个进程使用”的错误？

Accepted Answer

在 OpenDataLoader 2.2.1 中，PDF PDDocument 及相关资源在处理后未正确关闭，导致文件锁定持续存在。要修复此问题，请添加一个资源清理方法，并将现有的 processFile 逻辑包装在 try-finally 块中。在 DocumentProcessor.java 中实现以下代码：

```java
// 添加此方法
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());
        }
    }
}

// 将 processFile 主体包装在 try-finally 块中
public static void processFile(String inputPdfName, Config config) throws IOException {
    try {
        // ... 原始代码 ...
    } finally {
        closePdfResources();
    }
}
```

应用此修复后，处理完文件即可立即删除。

Question 3

当原始PDF文件名包含空格时，为什么生成的markdown中图片无法显示？

Accepted Answer

markdown转换器生成的图片链接中包含未转义的空格，导致渲染器在第一个空格处截断路径（例如`![image](my paper_images/image.png)`）。解决方法是将图片路径包裹在尖括号中：`![image](<my paper_images/image.png>)`。这符合CommonMark §6.4规范，可确保图片在VS Code、GitHub及大多数渲染器中正确显示。该修复已包含在提交4b87a30（PR #468）中。

Question 4

如何修复使用opendataloader_pdf转换PDF时出现的"subprocess.CalledProcessError: returned non-zero exit status 1"错误？

Accepted Answer

该错误是由处理特定PDF（例如QuarkXPress生成的文件）时的图像提取逻辑缺陷引起的。该问题已在较新版本中修复。请使用pip升级opendataloader_pdf至最新版本（v2.0.3或更高版本）：pip install --upgrade opendataloader_pdf。

Question 5

当使用 numpy >= 2.0 与 docling 或混合库时，为什么会出错？

Accepted Answer

该项目已原生支持 numpy >= 2.0（已在 lockfiles 中使用 numpy 2.2.6/2.4.2 验证）。如果遇到错误，很可能是由于之前固定了 numpy < 2 的传递依赖项（如 docling 或 easyocr）的陈旧安装所致。要修复，请重新彻底安装：pip install --upgrade --force-reinstall docling 或 pip install --no-cache-dir docling[easyocr]。确保所有包都已更新。如果问题仍然存在，请使用 pip list 检查已解析的依赖版本，并报告 traceback、Python version 和安装方法。

opendataloader-pdf

项目简介

README 预览

常见问题 (5)

同类型项目

puppeteer

PaddleOCR

crawl4ai

prisma