2026年PDF转Markdown工具横评-12款引擎实测对比

-

从 GitHub 高星项目到轻量命令行工具，覆盖 OCR 扫描件、数字原生 PDF、表格密集型文档三大场景。不只是参数罗列——给出具体选型建议和组合策略。

一、为什么你需要关注"PDF → Markdown"这件事

如果你在用 LLM 做 RAG（检索增强生成）、搭建个人知识库、或者批量处理文档做 AI 训练数据，你一定遇到过这个痛点：PDF 里的内容，LLM 读不懂或者读乱了。

原因很简单：PDF 是一种"打印格式"，不是"内容格式"。一个 PDF 页面可能把双栏论文的左右两栏混成一段不知所云的文字，也可能把表格拆成碎片，更不用说扫描件里的文字需要 OCR 才能提取。

而 Markdown 是 LLM 最友好的格式——结构清晰、语义明确、token 效率高。所以"PDF → Markdown"这道工序，几乎是每个 AI 知识工作流的必经之路。

这篇文章能帮你回答三个问题：

  1. 市面上一堆工具（PaddleOCR、MinerU、Docling、Marker……），到底哪个适合我的场景？
  2. 扫描件和数字 PDF 该用不同的工具吗？
  3. 有没有一个"通用组合"能覆盖 90% 的需求？

二、12 款工具速览（一表打尽）

工具 Stars 一句话定位 PDF→MD 表格 扫描件 CPU可用 协议
PaddleOCR 84.1k 百度出品的通用 OCR 引擎 ⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ ✅ Apache 2.0
MinerU 71.7k PDF→Markdown 专精 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ ✅ Apache 2.0 定制
Docling 62.3k IBM 企业级文档理解 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ✅ ✅ MIT
Marker 36.6k 全格式→MD 全能手 ⭐⭐⭐⭐ ⭐⭐⭐⭐ ✅ ✅ 商用受限
EasyOCR 29.7k 三行代码上手的 OCR ⭐⭐ ❌ ✅ ✅ Apache 2.0
Surya 21k 3B 参数以下精度天花板 ⭐⭐⭐ ⭐⭐⭐⭐ ✅ ❌ 商用受限
olmOCR 17.6k Allen AI 的 PDF 线性化 ⭐⭐⭐ ⭐⭐⭐ ✅ ❌ Apache 2.0
Unlimited-OCR 11.6k 百度 32K 长文档解析 ⭐⭐⭐⭐ ⭐⭐⭐ ✅ ❌ 待确认
MonkeyOCR 6.6k 2.4 页/秒极速引擎 ⭐⭐⭐⭐ ⭐⭐⭐ ✅ ❌ 待确认
MarkItDown 160.7k 微软万物→MD 瑞士军刀 ⭐⭐ ⭐⭐ ❌ ✅ MIT
PyMuPDF4LLM 1.9k 一行代码 PDF→MD ⭐⭐⭐ ⭐⭐ ⭐⭐⭐ ✅ AGPL
EdgeParse 新项目 Rust 实现的纯 CPU 解析器 ⭐⭐⭐ ⭐⭐ ❌ ✅ —

💡 上表的"Stars"反映社区热度，不代表技术实力。MarkItDown 16 万星是因为它覆盖 20+ 种文件格式转换，PDF 解析反而不是它的强项。

三、第一梯队：通用主力引擎（4 款）

这四款是 GitHub 上 PDF 文档解析领域的绝对主力，Star 数均超过 6 万，各有独门绝技。

3.1 PaddleOCR（⭐ 84.1k）—— 表格提取之王

一句话：如果你处理的 PDF 里有大量表格，这是你绕不开的工具。

核心技术亮点：

  • PP-StructureV3：复杂 PDF → Markdown/JSON，同时输出表格单元格坐标、文本位置——不只是"还原文字"，而是"还原结构"
  • PP-OCRv6：34.5M 参数，单模型统一支持中英日 + 46 种拉丁语系，精度超越多数大 VLM
  • PaddleOCR-VL-1.6 (0.9B)：OmniDocBench 达 96.3% 准确率，支持古籍、生僻字、印章

知识库场景优势：

  • ✅ 表格识别业界公认最强——无替代品
  • ✅ 纯 CPU 可跑（OpenVINO/ONNX Runtime），无 GPU 也能批处理
  • ✅ 生态最成熟——Dify、RAGFlow、Cherry Studio 已深度集成
  • ⚠️ 功能全面但偏重，纯西文场景可能显得臃肿

适合谁：中文文档为主、表格密集（财报/合同/技术规范）、已有 Dify/RAGFlow 等平台

3.2 MinerU（⭐ 71.7k）—— PDF→Markdown 最短路径

一句话：如果你的目标是"把 PDF 扔进去，拿到 LLM 能直接用的 Markdown"，选它。

核心技术亮点：

  • 双引擎架构：Pipeline (PP-OCRv6) + VLM (MinerU2.5-Pro-1.2B)，自动适配文档复杂度
  • effort 分级：medium 模式速度提升 35%~220%，精度仅降 0.13 分——适合批量处理
  • 原生支持 PDF / DOCX / PPTX / XLSX / 图片全覆盖

知识库场景优势：

  • ✅ 一站式输出 LLM-ready Markdown，无需中间环节
  • ✅ DOCX 原生解析——不转 PDF，速度快几十倍、零幻觉
  • ✅ 表格内嵌图、公式、印章文字均能识别
  • ⚠️ VLM 后端需 GPU（1.2B 模型约 3-4GB VRAM）；pipeline 后端可 CPU

适合谁：个人知识库主力工具、需要多格式统一处理、不想折腾 pipeline

3.3 Docling（⭐ 62.3k）—— 学术论文解析首选

一句话：IBM 出品、MIT 协议、学术评测霸榜。论文党首选。

核心技术亮点：

  • Granite-Docling-258M：Apache 2.0 的生产级 VLM，小而精
  • TableFormer：100 万 + 表格训练，覆盖科学/金融/通用场景
  • 图表理解：柱状图、饼图、折线图 → 结构化描述
  • 2026 年学术评测：Docling + 层级分块 + 图片描述 = 94.1% RAG 准确率，超越人工整理 (91.3%)

知识库场景优势：

  • ✅ LangChain / LlamaIndex / Haystack / Crew AI 原生集成
  • ✅ MCP Server 支持 Agentic 工作流
  • ✅ 多格式：PDF / DOCX / PPTX / XLSX / HTML / EPUB / 图片 / 音频 / 邮件 / LaTeX
  • ✅ MIT 协议，商用最友好

适合谁：学术论文知识库、企业文档管理、需要图表理解的场景

3.4 MarkItDown（⭐ 160.7k）—— 万能格式转 Markdown

一句话：Star 数最高（16 万 +），但不是 PDF 解析器——是"万能格式的第一道转换工序"。

核心特点：

  • 一行代码：markitdown yourfile.pdf
  • 覆盖 20+ 格式：PDF / DOCX / PPTX / XLSX / 图片 / 音频 / HTML / CSV / JSON / XML / ZIP / YouTube 字幕…
  • 集成 GPT-4o 等 LLM 做图片描述
  • LangChain / AutoGen 原生集成

知识库场景优势：

  • ✅ 覆盖面最广，几乎涵盖所有文件格式
  • ✅ 微软维护，社区最活跃
  • ⚠️ PDF 解析精度不如专精工具（底层依赖 pdfminer），复杂排版/表格会丢失结构

适合谁：作为"万能入口"，搭配 MinerU 或 Docling 做精细解析

四、第二梯队：速度与轻量化（3 款）

如果你有大批量 PDF 需要处理、或者 GPU 资源有限，这组工具关注的是"快"。

4.1 Surya（⭐ 21k）—— 3B 参数以下精度天花板

  • olmOCR-Bench 83.3%（3B 参数以下最佳）
  • RTX 5090 上 5 页/秒，批量处理的性能怪兽
  • 90+ 语言支持，多语言内部基准 87.2%
  • ⚠️ 侧重 OCR 层，需搭配其他工具完成 Markdown 转换
  • ⚠️ 商用协议有限制

4.2 MonkeyOCR（⭐ 6.6k）—— 2.4 页/秒，消费级 GPU 友好

  • MonkeyOCR-pro-1.2B：比 3B 版快 36%，精度仅降 1.6%
  • 1000 页 PDF 在 RTX 4090 上约 7 分钟处理完毕
  • 8GB 显存可跑量化模型
  • ⚠️ 生态较新，社区集成度不及前辈

4.3 EdgeParse —— 纯 Rust，0.064 秒/文档

  • Apple M4 Max 上单文档仅需 0.064 秒
  • ~15MB 二进制，无 GPU / JVM / OCR 依赖
  • ⚠️ 仅支持数字原生 PDF（扫描件不适用）
  • ⚠️ 新项目，生态几乎为零

速度选型建议：

场景 推荐
数字原生 PDF 批量处理 EdgeParse（毫秒级）
混合 PDF + 需要 OCR Surya（5 页/秒）
消费级 GPU + 大批量 MonkeyOCR（2.4 页/秒，显存友好）

五、第三梯队：轻量实用派（2 款）

不是每个人都想搭一套 GPU 推理环境。这两款工具主打"开箱即用"。

5.1 PyMuPDF4LLM（⭐ 1.9k）—— 极简 API

import pymupdf4llm
md_text = pymupdf4llm.to_markdown("input.pdf")
  • 基于 MuPDF C 引擎，零 GPU 依赖
  • 智能 OCR：仅对破损文本区域启用 OCR（~50% 时间节省）
  • 自动阅读顺序、布局感知
  • ⚠️ AGPL v3 协议，商用需授权

5.2 EasyOCR（⭐ 29.7k）—— 三行代码上手

import easyocr
reader = easyocr.Reader(['ch_sim', 'en'])
result = reader.readtext('image.jpg')
  • 80+ 语言，中文识别精度不错
  • 不需要 PDF 结构理解时，作为纯文字提取层足够
  • ⚠️ 传统 OCR 引擎，无布局分析/表格识别/阅读顺序
  • 💡 定位：扫描件/图片的文字提取底层引擎，不是完整的 PDF 解析方案

六、专项工具：学术与表格场景

6.1 olmOCR（⭐ 17.6k）—— LLM 训练语料首选

Allen AI 出品，Apache 2.0 全开源。定位独特：PDF → 干净纯文本，专为 LLM 预训练/微调设计。

  • PDF 线性化独树一帜——把双栏论文、复杂排版还原为连续可读的纯文本流
  • v0.4.0 引入 RL 训练，olmOCR-Bench 82.4%
  • ⚠️ 定位偏数据集构建，不是通用文档解析

6.2 Unlimited-OCR（⭐ 11.6k）—— 超长文档一次解析

百度出品，Deepseek-OCR 继任者。32K context 一次推理处理长文档。

  • vLLM / SGLang 一键部署
  • 中文文档理解有先天优势
  • ⚠️ 2026-06-18 发布，极新，生态几乎为零

七、终极对比矩阵

维度 PaddleOCR MinerU Docling Marker Surya MonkeyOCR MarkItDown PyMuPDF4LLM
PDF→MD 质量 ⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐ ⭐⭐⭐
表格提取 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐ ⭐⭐
中文精度 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐ ⭐⭐⭐
推理速度 ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ — ⭐⭐⭐
CPU 可用 ✅ ✅ ✅ ✅ ❌ ❌ ✅ ✅
多格式支持 PDF/图片 PDF/DOCX/PPTX/XLSX/图片 10+ 格式 7 格式 PDF/图片 PDF/图片 20+ 格式 PDF
协议友好度 ✅ Apache 2.0 ⚠️ 定制 ✅ MIT ⚠️ 限制 ⚠️ 限制 ⚠️ 待确认 ✅ MIT ⚠️ AGPL

八、选型决策树

需要 OCR 扫描件？
├── 否 → 数字原生 PDF
│   ├── 极速批处理 → EdgeParse（0.064 秒/文档，纯 Rust）
│   └── 通用转换 → MarkItDown（一行命令，覆盖 20+ 格式）
│
└── 是 → 需要什么层次的输出？
    ├── 完整 Markdown + 表格 + 公式
    │   ├── 学术/企业场景 → Docling（IBM，MIT 协议，评测最高 94.1%）
    │   ├── 通用知识库主力 → MinerU（PDF→MD 最短路径，多格式覆盖）
    │   └── 中文为主、表格密集 → PaddleOCR（中文精度天花板 + 表格最强）
    │
    ├── 纯文本线性化（LLM 训练） → olmOCR
    ├── 超长文档一次解析 → Unlimited-OCR（32K context，待生态成熟）
    ├── 只需表格 → Camelot / Tabula（专项工具，省去全流程）
    │
    ├── 大批量高速 → Surya（5 页/秒）或 MonkeyOCR（2.4 页/秒）
    └── 最简单上手 → EasyOCR（三行代码出文字）

九、实战推荐组合

🏠 个人知识库（推荐配置）

主力：MinerU（PDF→Markdown 一站式）
补充：PaddleOCR（表格密集型文档的专项提取）
快转：MarkItDown（日常非 PDF 格式快速转换）

为什么是这个组合：MinerU 覆盖 90% 的 PDF 场景，PaddleOCR 补齐表格短板，MarkItDown 处理 DOCX/PPTX 等杂项。三款都支持 CPU，不需要 GPU。

🎓 学术论文知识库

主力：Docling（LaTeX + 图表理解 + GROBID 元数据提取）
备选：MinerU
补充：PaddleOCR（含公式的表格场景）

⚡ 大批量处理（日均 1000+ 页）

主力：Surya（5 页/秒）或 MonkeyOCR（显存友好）
管道：PyMuPDF4LLM（预处理数字 PDF，节省 OCR 开销）

💻 GPU 资源有限

主力：MinerU (pipeline 模式，CPU 可用)
快转：EdgeParse（数字 PDF）或 PyMuPDF4LLM（含扫描件）
底层：EasyOCR（纯文字提取）

十、三个关键决策原则

  1. 扫描件 vs 数字 PDF 是第一条分岔路：数字 PDF 可以用 EdgeParse 毫秒级处理；扫描件必须上 OCR 引擎，选型逻辑完全不同

  2. 表格是你的试金石：如果你的文档含大量表格，PaddleOCR 几乎是唯一正确答案——其他工具的表格还原精度都有差距

  3. 不要追求"一个工具打天下"：MinerU + PaddleOCR 的组合比任何单一工具都强。前者做整体解析，后者做表格专项——各取所长

📌 一句话总结：个人知识库推荐 MinerU（主力）+ PaddleOCR（表格补充）+ MarkItDown（杂项快转） 三板斧。GPU 充足可加 Surya 提速。学术论文党无脑 Docling。日常懒得折腾就 MarkItDown 一把梭——先跑通，再优化。

评论

发表评论

此博客中的热门博文

Claude Code 国内安装与配置全指南

-
从零开始，手把手教你在国内网络环境下安装、配置并高效使用 Claude Code。 一、Claude Code 是什么 Claude Code 是 Anthropic 推出的命令行 AI 编程助手。它不是网页聊天框，而是直接嵌入你终端的 " 资深搭档 "——读代码、写代码、跑测试、操作 Git，全在命令行完成。 简单说三句话： 终端原生 ：在 PowerShell / Terminal 里直接 claude 启动，不用切换窗口 理解项目 ：自动读取你的代码库，理解上下文后再动手 自主执行 ：不只是生成代码片段，而是直接修改文件、运行命令、修复 Bug 它的核心能力包括： 🔍 代码搜索与理解（读懂整个 repo） ✏️ 智能编辑（精确修改，不乱改） 🐛 自主调试（定位 Bug 并修复） 📋 Git 工作流（提交、PR、代码审查） 🤖 子代理编排（复杂任务自动拆分） 🔌 MCP 扩展（连接外部工具和服务） 二、安装前的准备 2.1 系统要求 项目 最低要求 推荐配置 操作系统 Windows 10+ / macOS 12+ / Linux Windows 11 / macOS 14+ Node.js v18 LTS v20+ LTS npm 随 Node.js 安装 最新版 网络环境 需要访问 Anthropic API 稳定代理 内存 4 GB 8 GB+ 2.2 安装 Node.js Claude Code 基于 Node.js 运行，这是唯一的前置依赖。 Windows 用户推荐方式： 访问 Node.js 官网 下载 LTS 版本（长期支持版，最稳定） 双击安装，一路 " 下一步 " 即可 验证安装： node -v # 应显示 v20.x.x 或更高 npm -v # 应显示 10.x.x 或更高 💡 如果你已经安装了 Node.js，版本在 v18 以上就行，不用重新装。 三、安装 Claude Code 3.1 Windows 推荐安装方式（官方一键脚本） 打开 PowerShell，执行： irm https://claude.ai/...
阅读全文

GUI.for.SingBox 配置指南：告别 JSON，图形界面搞定一切

-
从下载安装到规则分流，手把手教你用 GUI.for.SingBox 图形界面客户端——不用手写一行 JSON，轻松管理 sing-box 全部功能。 一、GUI.for.SingBox 是什么 一句话定义 ：GUI.for.SingBox 是 sing-box 内核的图形界面配置管理前端。它本身不是代理程序，而是通过 GUI 操作自动生成 sing-box 的 JSON 配置文件并驱动内核运行。 为什么需要它 ：sing-box 原生只提供命令行 + JSON 配置，手写 JSON 配置对大多数人来说门槛太高。GUI.for.SingBox 把所有配置项变成可视化表单，点击填选即可，完全不需要接触 JSON。 1.1 核心功能一览 功能 说明 多协议支持 VLESS / VMess / Trojan / Shadowsocks / Hysteria2 / TUIC / Reality / NaiveProxy 订阅管理 支持 sing-box JSON、Clash YAML、URI 列表格式的一键导入 节点转换插件 自动将 V2Ray/Clash 格式订阅转为 sing-box 格式 分流控制 规则分流 / 直连 / 全局代理三种模式 TUN 透明代理 创建虚拟网卡，接管全部系统流量 策略组 手动选择 / 自动测速（urltest）/ 负载均衡 路由规则 域名 / IP / 进程 / 协议 / 规则集，完整可视化配置 DNS 管理 服务器 / DNS 规则 / FakeIP，全图形化 规则集 远程规则集自动下载更新，支持 SRS 二进制格式 插件系统 Sub-Store / 广告拦截 / 速度测试 / IP 查询等 配置导出 一键生成完整 sing-box JSON 配置文件 跨平台 Windows / macOS / Linux 1.2 与其他客户端对比 对比维度 GUI.for.SingBox Karing Clash Verge Rev V2RayN 内核 sing-box sing-box mihomo v2ray/xray 配置方式 GUI 表单 → 自动生成 JSON GUI +...
阅读全文

Claude Code 采用cc-switch配置第三方模型的完全指南

-
从零开始，手把手带你安装 Claude Code 和 cc-switch，实现无需翻墙、一键切换国产大模型，丝滑开启 AI 编程。 0. 写在前面：这篇教程解决什么问题 你可能已经听说过 Claude Code —— Anthropic 官方的终端 AI 编程助手，能直接在命令行里读代码、写代码、跑测试、操作 Git。但国内用户上手时，往往卡在三道坎上： 网络不通 ：Claude Code 需要连接 Anthropic API，国内直连基本超时 账号难搞 ：Anthropic 官方账号需要海外手机号注册 模型切换麻烦 ：今天想用 Claude，明天想试 DeepSeek，每次手动改配置文件 cc-switch 就是来填这些坑的。它是一个跨平台桌面应用，专为 Claude Code 等 AI 命令行助手设计，核心能力是： 图形化管理多个 API 供应商，一键切换模型，自动完成协议转换 。 读完这篇，你将拥有一个开箱即用的 AI 编程环境 —— 无论选择 Claude 中转还是国产大模型，都能在终端里直接 claude 开干。 一、cc-switch 是什么？适不适合你？ 1.1 一句话说清楚 cc-switch 是一个本地运行的 API 路由 + 配置管理器。它不卖模型额度，也不替你聊天，而是帮你： 管理多个 API 供应商的配置（Key、地址、模型名） 一键切换不同供应商，不用手改 settings.json 自动完成协议转换（Anthropic 格式 ↔ OpenAI 格式 ↔ 国产模型格式） 支持本地代理模式，让 Claude Desktop 也能用第三方模型 数据流长这样 ： Claude Code (终端) ↓ 发起 Anthropic 格式请求 cc-switch (本地代理) ├─ 解析请求头与 Body ├─ 匹配当前启用的供应商 ├─ 协议转换：Anthropic → 目标模型兼容格式 ├─ 替换鉴权 Key、注入 System Prompt ├─ 转发至目标 API └─ 接收响应 → 逆向转换 → 返回 Claude Code 期望的格式 1.2 你需要 cc-switch 吗 场景 需要？ 只有官方 Claude ...
阅读全文