CastToMarkdown:将 PDF、DOCX 转为 LLM/RAG 友好 Markdown 的 Java 库
YuraBuryakov 在 GitHub 开源 Java 库 CastToMarkdown(0.1.0-SNAPSHOT,正准备首个 0.1.0 版本),通过统一 API 将 PDF 和 DOCX 转为干净的 LLM/RAG 友好 Markdown。它基于 Apache PDFBox、Apache POI、jsoup 构建,嵌入 JVM 运行,无需 Python、Docker 或外部服务,支持标题、列表、表格、脚注、链接等结构,默认拒绝超过 100 MiB 的文档,扫描版 PDF 需先做 OCR。HTML、TXT、CSV 支持在计划中,项目要求 JDK 17+,采用 Apache License 2.0。