我们选择使用python来解析文档，是因为他有很多成熟的库可以直接使用，目前，市面上比较常见的pdf处理的开源库有MinerU、Marker、PaddleOCR这几个。对比如下： | 工具 | MinerU | PaddleOCR + PP-Structure | Marker | | --- | --- | --- | --- | | 类型 | 端到端智能解析 | 分阶段 OCR+版面分析 | 基于 LLM 的 PDF 转 Markdown | | 开源 | ✅ 是 | ✅ 是 | ✅ 是 | | 中文支持 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | | 公式识别 | ✅ LaTeX（高精度） | ❌ 仅字符级，无公式结构 | ⚠️ 依赖 OCR，公式支持弱 | | 表格还原 | ✅ 支持跨页、合并单元格 | ⚠️ 基础表格，跨页易错 | ⚠️ 表格常转为图片或文本 | | 多栏排版 | ✅ 自动还原阅读顺序 | ⚠️ 易出现“Z字形”错乱 | ✅ 较好（依赖 layout 模型） | | OCR 能力 | ✅ 内置多语言 OCR（84种） | ✅ 强（中文优化好） | ✅（集成 Donut/OCR） | | 输出格式 | Markdown / JSON / HTML | TXT / HTML（需二次开发） | Markdown | | 部署难度 | 中等（支持 CLI/WebUI/Docker） | 较高（需拼接模块） | 中等（需 GPU） | | 适合场景 | 学术论文、财报、教材、RAG 知识库构建 | 简单票据、证件、固定模板文档 | 英文论文批量转 Markdown |
MinerU选择的比较多，主要因为他有以下几个优势： 1、能正确处理双栏、图文穿插、浮动框等。 2、可高精度输出 LaTeX，适合科研场景。 3、部署简单，方便，开源。 4、对中文友好 5、可以把PDF转成markdown 6、对表格、图片友好 7、提供了开源版、网页版、客户端和在线API多种使用方式 开源地址：https://github.com/opendatalab/mineru 在线地址：https://mineru.net/ API使用：https://mineru.net/apiManage/docs
效果体验
可以先使用在线版看下效果，MinerU的在线版支持用github或者微信登录，登录后就能免费试用。
左侧是PDF，右侧是markdown。
支持导出多种格式：
建议使用Markdown。
缺点
MinerU网页版的使用有一个缺点，那就是他虽然可以识别标题，但是他没办法准确的识别PDF中的多级标题，他会把所有标题都转成# 这种markdown形式，也就是都转成1级标题。 另外，后面我们也会给大家详细介绍如何使用，使用时有个各种问题，到时候告诉大家如何解决。