pdf

microsoft/markitdown

様々なファイルをLLM向けMarkdownに変換するMicrosoft製ツール — PDFやWord、Excel、画像、音声、YouTube動画までを構造を保ったままMarkdownに変換するPythonツールです。textractに似ていますが、見出しや表、リンクなどの文書構造をLLMが理解しやすい形式で保持する点が特徴です。LangChainやAutoGenと組み合わせたLLM前処理パイプラインに最適です。

Python tool for converting files and office documents to Markdown.

Stirling-Tools/Stirling-PDF

#1 PDF Application on GitHub that lets you edit PDFs on any device anywhere

opendatalab/MinerU

PDF・Office文書をLLM対応データに変換する解析基盤 — MinerUはPDFやWord・PowerPoint・Excelなど多様な文書形式をレイアウト解析・OCRで読み取り、LLMやRAG向けのMarkdown/JSONに変換するツールです。4段階の解析精度と文書ライブラリ・エージェント読み取り機能を備え、汎用PDFパーサーやOCRライブラリの代替として複雑な表・数式・構造化文書に強みを持ちます。

Transforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.

docling-project/docling

多様な文書をAI活用可能な形式に変換するDocling — PDF・DOCX・PPTXなど多様な文書を高精度に解析し、レイアウトや表構造を保った統一表現「DoclingDocument」に変換するツールです。Markdown・JSON等への出力やOCR、VLM対応も備え、LangChainやLlamaIndexなど生成AIエコシステムとの連携が容易な点が特徴です。

Get your documents ready for gen AI

paperless-ngx/paperless-ngx

紙資料をAIで検索可能にする文書管理システム — Paperless-ngxは、紙の文書をスキャン・OCR処理して検索可能なオンラインアーカイブに変換するコミュニティ主導の文書管理システムです。旧Paperless/Paperless-ngの後継として、機械学習やLLMを活用した高度な整理機能を備え、脱ペーパー化を目指す個人・組織に最適です。

A community-supported supercharged document management system: scan, index and archive all your documents

PDFMathTranslate/PDFMathTranslate

数式もレイアウトも崩さないPDF論文翻訳ツール — 数式・図表・レイアウトを保持したままPDF論文を全文双語翻訳できるツールです。Google/DeepL/Ollama/OpenAIなど複数の翻訳エンジンに対応し、CLI・GUI・MCP・Docker・Zoteran連携まで揃っているため、研究者が論文を素早く母国語で読みたい場面に刺さります。EMNLP 2025でもデモ採択された実績があります。

[EMNLP 2025 Demo] PDF scientific paper translation with preserved formats - 基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama/OpenAI 等服务，提供 CLI/GUI/MCP/Docker/Zotero

koreader/koreader

An ebook reader application supporting PDF, DjVu, EPUB, FB2 and many more formats, running on Cervantes, Kindle, Kobo, PocketBook and Android devices

dream-num/univer

AIエージェント時代のOffice SDK「Univer」 — スプレッドシート・ドキュメント・スライド・PDFなどを1つのランタイムで扱えるオープンソースOffice SDKです。プラグイン構造とCanvas描画、数式エンジンを備え、ブラウザ・Node.js双方で動作するAPIを提供。自社製品にOffice機能を組み込みたい開発者やAIエージェント連携を目指すチームに刺さります。

The Office Harness for AI Agents — Spreadsheets, Docs, Slides, Canvas, Relational Tables, and PDF in one runtime.

firecrawl/pdf-inspector

Fast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.

storytold/pdfcraft

PdfCraft: An open-source PDF reader and editor written by scratch in pure Rust

gotenberg/gotenberg

ChromiumやLibreOffice管理不要のPDF変換API — GotenbergはDockerコンテナとして動くPDF変換APIで、HTML・Word・Excel・URLなどをmultipart/form-data経由で送るだけでPDFに変換できます。内部でChromiumやLibreOffice、PDFtk等を利用し、環境構築の手間を省けるのが特徴で、多数の企業やOSSプロジェクトで実運用されています。

A developer-friendly API for converting many document formats into PDF files, and more!

run-llama/liteparse

完全ローカルで動く高速PDF解析ツール — LlamaIndexが開発したRust製OSSのPDF解析ツールです。PDFiumで1ページ数msの高速なテキスト抽出を行い、Tesseract内蔵やOCRサーバー連携も可能。クラウド不要でローカル完結し、Markdown/JSON出力やバウンディングボックス取得もでき、RAGパイプライン構築に向いています。複雑な文書はクラウド版LlamaParseへの誘導も用意されています。

A fast, helpful, and open-source document parser

Kareadita/Kavita

Kavita is a fast, feature rich, cross platform reading server. Built with the goal of being a full solution for all your reading needs. Setup your own server and share your reading collection with your friends and family.

pdfcpu/pdfcpu

PDF tooling for Go and the command line.

ciromattia/kcc

マンガ・コミックをE-ink端末向けに最適変換するKCC — KindleやKobo、ReMarkableなどのE-ink端末向けに、マンガ・コミックを余白なしの全画面表示で最適化するコンバーターです。解像度の最適化で600MBを100MBに圧縮しつつ画質を保ち、黒レベル補正やカラーE-inkの虹色ノイズ除去、見開きページの自動検出にも対応しています。

KCC (a.k.a. Kindle Comic Converter) is a comic and manga converter for ebook readers.

ONLYOFFICE/DesktopEditors

Open-source office suite pack that comprises all the tools you need to work with documents, spreadsheets, presentations, PDFs, and PDF forms on Windows, Linux, and macOS

pdfme/pdfme

WYSIWYGで作るOSS PDF生成ライブラリ — TypeScript/React製のオープンソースPDF生成ライブラリです。WYSIWYGのテンプレートデザイナーとビューワーを備え、ブラウザ・Node.js両方でJSONテンプレートから高速にPDFを生成できます。MITライセンスで商用利用も自由な点が魅力です。

Open-source PDF generation library built with TypeScript and React. Features a WYSIWYG template designer, PDF viewer, and powerful generation capabilities. Create custom PDFs effortlessly in both browser and Node.js environments.

kane50613/takumi

Render OG images and paged PDFs from JSX, HTML, and CSS. No headless browser. Runs on Node.js, Cloudflare Workers, browsers, and Rust.

datalab-to/indra

わずか100万パラメータの爆速CPU OCR「Indra」 — Indra OCRはパラメータ数わずか1MながらCPUで毎秒49ページを処理できるOCRモデルです。TesseractやPaddleOCRより最大24倍高速でありながら精度も上回り、PDFや画像をMarkdown・プレーンテキスト・JSON（バウンディングボックス付き）に変換できます。GPU不要で軽量なドキュメント解析を求める開発者に向いています。

1M param OCR model - runs on CPU, 15x faster than tesseract, close to 1B+ param models in accuracy

Karna14314/Pdf_Tools

Privacy-first, offline PDF editor for Android. Merge, split, compress, convert and annotate PDFs — 100% on-device, no internet required.

Chethan616/ClearPDF

Open-source Android PDF and document toolkit with PDF tools, Office viewing, XLSX editing, scanning, and image editing. Built with Kotlin and Jetpack Compose.

beatrizalmeidaf/papero-pdf-text-extractor

MLモデル不要、CPUだけで動くPDF構造抽出ツール — paparoはPDFをMarkdown・JSON・Word・Excelへ変換するオープンソースAPIです。テキストだけでなく読み順・表・数式・図の位置まで構造を復元できるのが特徴で、ML不要・CPUのみで高速動作し、ブラウザ上でも処理できるためファイルを外部に保存せず安全に使えます。RAGや検索、LLM用のデータ前処理に向いています。

Fast, open-source PDF text extraction API. Files never stored.

swimmingbrain/brainotes

ブラウザだけで完結する手書きノート＆講義用PDFビューア — OneNoteやGoodNotesのような手書きノートアプリをブラウザ上で実現したOSSです。講義スライドのPDFを横に置きながらペンで書き込め、アカウント登録やサーバー送信なしでローカル完結・オフライン動作する点が特徴です。学生の講義ノート用途に特化しています。

Handwritten notes and a whiteboard in your browser. Write with a pen, keep the pdf next to your notes. No account, nothing leaves the browser.