最近出现了一个新的工具gptpdf（https://github.com/CosmosShadow/gptpdf），创新的使用了视觉大语言模型（如 GPT-4o）将复杂PDF 解析为 markdown，实现非常简洁，核心代码仅有293行，但几乎可以完美地解析排版、数学公式、表格、图片、图表等，每页平均成本为0.013 美元（GPT-4o接口费用）。
2、使用视觉大模型（如 GPT-4o）进行解析，得到 markdown 文件.
GPT-4o的默认提示词为，对于别的大模型可以结合效果表现进行调整：
DEFAULT_PROMPT = """使用markdown语法，将图片中识别到的文字转换为markdown格式输出。你必须做到：1. 输出和使用识别到的图片的相同的语言，例如，识别到英语的字段，输出的内容必须是英语。2. 不要解释和输出无关的文字，直接输出图片中的内容。例如，严禁输出 “以下是我根据图片内容生成的markdown文本：”这样的例子，而是应该直接输出markdown。3. 内容不要包含在```markdown ```中、段落公式使用 $$ $$ 的形式、行内公式使用 $ $ 的形式、忽略掉长直线、忽略掉页码。再次强调，不要解释和输出无关的文字，直接输出图片中的内容。"""DEFAULT_RECT_PROMPT = """图片中用红色框和名称(%s)标注出了一些区域。如果区域是表格或者图片，使用 ![]() 的形式插入到输出内容中，否则直接输出文字内容。"""DEFAULT_ROLE_PROMPT = """你是一个PDF文档解析器，使用markdown和latex语法输出图片的内容。"""
整个使用也比较简单，可以方便地集成到现有的RAG流程中或是单独使用。
from gptpdf import parse_pdfapi_key = 'Your OpenAI API Key'content, image_paths = parse_pdf(pdf_path, api_key=api_key)print(content)
gptpdf-ui项目在此基础上封装为web服务，支持在线解析和预览。
