jina-ai/reader

项目概览

该项目通过简单的前缀即可将网页、PDF 和 Office 文档转换为结构化 Markdown，并支持图片标注，直接解决 LLM 对干净输入数据的需求。

项目类型

RAG 与知识库 · AI 搜索 · 基础设施

应用场景

知识问答 · 搜索调研

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要将网页和文档转换为 Markdown 供 RAG 及 Agent 系统使用的开发者和 AI 工程师。

核心能力

• 通过添加前缀，智能选择无头 Chrome 或轻量级抓取方式，将任意 URL 转换为 LLM 友好的 Markdown。
• 使用 PDF.js 解析以 .pdf 结尾的 URL，并将其转换为 Markdown 格式返回。
• 通过 LibreOffice 转换 Word、Excel 和 PowerPoint 文档，并将其作为 HTML 或 PDF 进行处理。
• 使用视觉语言模型对页面中的图片进行标注，以便下游纯文本 LLM 能够对图片内容进行推理。

限制与风险

• 基于 MongoDB 的 SaaS 存储层未包含在此开源分支中。
• 默认以无状态模式运行，不提供缓存和速率限制功能。

如何开始

• 拉取 Docker 镜像后运行容器，通过 curl 访问本地端口并附加目标 URL 即可完成测试。

核验依据

• README: This repository is the open source branch of the codebase behind `https://r.jina.ai` and `https://s.jina.ai`. It runs in stateless or bucket-cached mode; the MongoDB-backed SaaS s…
• README: Your LLMs deserve better input. Reader does two things: - **Read**: It converts any URL to an **LLM-friendly** input with `https://r.jina.ai/https://your.url`. Get improved output…
• README: **Web pages** — rendered with headless Chrome, or fetched lightweight via `curl-impersonate`. Reader picks intelligently between the two.
• README: Behind the scenes, Reader searches the web, fetches the top 5 results, visits each URL, and applies `r.jina.ai` to it.
• README: - **PDFs** — any URL, parsed with PDF.js.

内容核验时间：