2026 开源 PDF 解析库全景：从文本抽取到文档智能

发布于：2026-09-19 | 分类：document analysis

最近使用 Claude Opus 5 将一份扫描的PDF合同转换为markdown，惊异于圆形公章上公司名及手写签名都能正确识别，心血来潮想看看开源领域 PDF 文档解析库的发展状态。于是经过 Kimi2.7、Qwen3.8-max 起草初稿、WorkBuddy 内置 Hunyuan 3 整理及 13 版修订、DeepSeek-v4.1-flash、Claude Opus 5 最终审核，生产了本文调研报告。

区别于 Python处理PDF的第三方库对比 关注对 PDF 文档本身的操作能力如提取/创建内容、增删页面等，本报告更偏向文档理解——语义级别的内容提取。

PDF 作为事实上的“电子纸张”标准，承载了海量的论文、合同、财报、研报与档案。然而 PDF 本质是面向“打印排版”的格式，而非结构化数据格式，文本、表格、公式、图片混杂，多栏、跨页、扫描件、水印等情形进一步加剧了机器理解的难度。随着 RAG（检索增强生成）、大模型训练语料构建、企业知识库与 Agent 工作流的兴起，对 PDF 高质量、结构化解析 的需求从“能读出字”升级为“能还原版式、表格、公式与阅读顺序”。

在合规（HIPAA / GDPR / 数据不出域）、成本（商业 API 按页计费，规模化后昂贵）与可控性（可微调、可私有化部署）三重驱动下，自托管开源方案成为企业级文档智能的可行乃至必选路径。而在纯离线/涉密场景，开源是唯一合规选项。因此，本报告围绕开源方案展开，按 OCR（光学字符识别）、版面分析、信息提取 三大理解能力维度，对 40+ 个主流开源库进行系统化梳理；其中信息提取细分为 信息抽取（结构化字段）、表格提取、公式提取 三类子任务。

本报告重点调研了 MinerU、Docling、Marker、olmOCR、Unstructured、DeepDoctection、DocXChain 等综合平台，Tesseract / PaddleOCR / EasyOCR / Surya / GOT-OCR 2.0 / HunyuanOCR / Dots.OCR 等识别引擎，以及 Camelot / Tabula / pdfplumber / TableTransformer 等表格与文本提取工具。报告给出精度基准对比，并总结以视觉语言模型（VLM）端到端为代表的下一代技术趋势。此外，针对通用视觉语言模型（VLM）作为解析后端，系统梳理了 PaddleOCR-VL、Qwen2.5-VL、InternVL2.5、GLM-4V-9B、MiniCPM-V 2.6、DeepSeek-OCR 等以 VLM 为底座的文档解析方案。

核心结论：

  • 中文团队主导创新节奏，中文生态居全球第一梯队：MinerU（80.2k★）、PaddleOCR（79k+★）、dots.ocr（小红书）、DeepSeek-OCR、GOT-OCR 2.0（阶跃星辰）等头部项目多来自中国团队，中文文档/公式/表格场景适配红利显著；OmniDocBench、olmOCR-Bench 等公开基准长期由中文项目占据前列。

  • 技术范式已分化为“Pipeline 模块化”与“VLM 端到端”两派，且头部项目均已融合：2026 年实际格局是“管线（低成本兜底）+ VLM（高精度攻坚）”双后端并存，配合“默认快路径、低置信升级重路径”的级联策略。

  • 精度维度：PaddleOCR-VL-1.6（0.9B 小模型，OmniDocBench v1.6 96.33 居小模型前列，2026 Q3 起已被 OvisOCR2 96.58 / TeleOCR 96.87 超越）与 MinerU2.5-Pro（95.75）同处第一梯队。

  • 选型无单一赢家，须按场景匹配：追求中文文档与公式/表格精度选 MinerU 或 PaddleOCR；追求工程集成与多格式统一表示选 Docling；追求 CPU 轻量部署选 Marker（fast）或 PP-OCRv5 mobile；追求极致精度且有 GPU 选 dots.mocr / olmOCR / DeepSeek-OCR；面向 LLM/RAG 数据流水线选 Unstructured 与前述解析器组合。

  • 许可证与部署维度：Docling（MIT、65+ 格式、可纯 CPU 运行）与 PaddleOCR（Apache-2.0，代码与权重均无商用限制）最宽松；MinerU（≥3.1.0 转 Apache-2.0 系 MinerU Open Source License）与 Marker（代码 Apache-2.0）2026 年也已大幅放宽，但二者模型权重仍设营收/融资门槛；Nougat 与 LayoutLMv3 权重 CC-BY-NC / CC BY-NC-SA 4.0，禁商用。

1. PDF 文档解析的挑战与技术演进

一个完整的 PDF 解析系统通常需协同解决下表所示子任务。传统工具（如 pdftotext）在真实文档上暴露出典型失效：公式丢失或乱码；表格结构崩坏；图片被忽略；页眉页脚混入正文、段落被随意切割；多栏布局下阅读顺序错乱。其根源在于 PDF 不保存语义结构，仅保存绘制指令如字符、线段、图像的位置与样式。

更细分的难点包括：数字原生 PDF（含文本层）vs 扫描版/图层型 PDF（文字不可复制、乱码）；有线表格（lattice）vs 无线/白隙表格（stream）；合并单元格、跨页表格、嵌套表头；行内/行间公式；旋转版面与页眉页脚去噪；竖排文字、印章、手写等等。

任何单一方案都难以覆盖全部长尾情形。

子任务 说明 典型难点
版面/布局检测 定位标题、正文、图、表、公式、印章等区域 多栏、图文混排、旋转、密集表格
阅读顺序恢复 按人类阅读顺序串联区域 多栏论文、报纸、教材
OCR 文字识别 图像文字 → 字符序列 多语言、手写体、低质扫描件
表格识别 还原行/列/单元格结构 无线表、合并单元格、跨页表
公式识别 印刷/手写公式 → LaTeX 嵌套结构、行内公式
页眉页脚/水印剔除 去除与正文无关的重复元素 与正文的区分
关键信息提取（KIE） 抽取字段级语义（金额、日期、甲乙方等） 版式多样性、少样本适应

为了解决上述难点，PDF 文档解析技术经历了从 OCR 到文档智能的演进。

  • 传统 ML 引擎（Tesseract v4+ LSTM）：CPU 友好、成熟稳定，但弱于版面与手写；
  • 深度学习检测-识别级联（PaddleOCR、EasyOCR、Surya）：检测（DBNet/PP-YOLO）+ 识别（CRNN/SVTR）+ 版面（LayoutParser/PP-Structure），精度大幅提升；
  • 端到端视觉语言模型（VLM）（Nougat、GOT-OCR 2.0、HunyuanOCR、Dots.OCR、olmOCR、MinerU 2.5 内置 VLM）：单次前向推理直接输出结构化文本/公式/表格，消除级联误差累积，成为 2025 年后的主流方向。
  • 通用 VLM 作为解析后端（Qwen2.5-VL、InternVL2.5、GLM-4V-9B、MiniCPM-V 2.6）：并非专门的 PDF 解析器，但凭强大文档理解/定位能力被广泛封装为自研解析服务，或嵌入 MinerU/PP-Structure 的数据构建管线，是 VLM 范式在工程侧的延伸。

2. 技术体系与能力分类

2.1　技术路线的两大范式

据公开资料，PDF 文档解析范式可以归为两类。2026 年头部项目已呈融合态势，例如 Docling 增加 Granite-Docling-258M VLM 路径；MinerU 同时保留经典管线后端供纯 CPU 场景；Marker 2 定位为Surya 模型套件的编排器，其质量上限即 Surya 的质量上限。

范式 原理 代表 优点 缺点
Pipeline 模块化 检测/识别/版面/表格/公式各用专用模型，串行组装 Docling、PaddleOCR PP-StructureV3、Marker（Surya 套件）、MinerU 管线后端 可解释、可替换单模块、易私有化微调、CPU 可跑 误差级联、工程复杂
VLM 端到端 单模型直接"看图吐 Markdown/JSON" MinerU2.5、PaddleOCR-VL、Marker 2、Granite-Docling、GPTPDF、Zerox、olmOCR 复杂版面鲁棒、训练成本外置 推理开销大、依赖 GPU、黑盒

2.2　按功能维度分类

PDF 解析的理解能力归为 OCR、版面分析、信息提取三大维度；信息提取细分为三类子任务（见下表）。

能力维度 解决的问题 代表性开源库
OCR（文字识别） 扫描件/图片/乱码 PDF 的文本抽取，含多语种、手写 Tesseract、PaddleOCR、EasyOCR、Surya、GOT-OCR 2.0、HunyuanOCR、Dots.OCR
版面分析（Layout） 区分标题/正文/表格/图片/公式区域，还原阅读顺序与层级 LayoutParser、PP-Structure、360LayoutAnalysis、DocLayout-YOLO、DocLayNet（Docling）、PDF-Extract-Kit（MinerU 同团队工具包，含 DocLayout-YOLO / YOLO-v10 / LayoutLMv3 可选）
信息提取（IE） 从文档中抽取结构化信息（含三类子任务，统一见 3.4：3.4.1 表格 / 3.4.2 公式 / 3.4.3 KIE） —

信息提取的三类子任务：

子任务 解决的问题 代表性开源库
信息抽取（KIE） 从票据/合同/表单抽取关键字段与实体关系 PP-ChatOCR、Unstructured、DeepDoctection、DocXChain、GLM-OCR、HunyuanOCR（开放字段）
表格提取（Table） 有线/无线/跨页/合并单元格表格的结构化重建 Camelot、Tabula、pdfplumber、TableTransformer、gmft、StructEqTable
公式提取（Formula） 行内/行间公式识别为 LaTeX / MathML UniMERNet、PP-FormulaNet、Surya LaTeX、Nougat、GOT-OCR 2.0

注：上表「信息提取三类子任务」列出的是 专用/代表性工具；需强调，端到端文档解析系统（MinerU / Docling / Marker / olmOCR 等）同样内置表格提取、公式识别与 KIE 能力——二者并非互斥关系。

选型时，若只需拆出单张表/单个字段，用专用工具（Camelot、pdfplumber、PP-ChatOCR）即可；若需全文档结构化 + 阅读顺序 + 多格式输出，则端到端平台更合适。

3. 主流开源库

3.1　综合型文档解析平台

MinerU（OpenDataLab / 上海人工智能实验室） OCR·版面·表格·转换

  • 仓库：opendatalab/MinerU；许可证：MinerU Open Source License（基于 Apache-2.0 的自定义许可；≥3.1.0 由 AGPLv3 切换，超 100M MAU 或 $20M/月营收需商业授权、对外在线服务须标明）；活跃度：约 80.2k★（2026-09）。
  • 定位：将 PDF、图片及 Office 文档转换为 LLM-Ready 的 Markdown / JSON 的高精度解析工具，中文社区事实标杆。
  • 核心能力：去页眉/页脚/页码/脚注、还原多栏阅读顺序；OCR 约 109 种语言；公式检测+识别输出 LaTeX；表格识别输出 HTML/OTSL；自动提取图片并引用；输出 Markdown、middle-json、model-json 多层结构化格式；4.0 引入质量四档（flash/basic/standard/advanced）、本地文档库、面向 Agent 的 CLI（按页/块续读、稳定定位符 locator）。
  • 技术架构：双后端——传统 pipeline 后端（版面检测+公式/表格/OCR 专用模型级联，小模型 ONNX CPU 推理）与 VLM 后端（MinerU2.x/2.5 系列 1.2B，llama.cpp + Vulkan，NVIDIA GPU 可装 mineru[full] 用 vLLM/lmdeploy 提吞吐）。
  • 性能参考：OmniDocBench v1.6：MinerU2.5 93.04 / MinerU2.5-Pro 95.75（同规模组榜首）；olmOCR-Bench 75.2（2.5.4）。2026 年陆续发布 3.4（2026-06-18，pipeline 换 PP-OCRv6，较 2.5 +11%）、4.0（四档 tier、9 种渲染输出、本地文档库）。
  • 部署要求：Python 3.10–3.14；默认 CPU 可跑，GPU 大幅提吞吐；支持 Windows/macOS/Linux。
  • 小结：中文文档、学术论文（公式/表格密集）首选之一；生态成熟、与主流 RAG 框架集成广。注意点：附加商业条款、VLM 后端显存需求。

Docling（IBM Research → LF AI & Data 基金会） 版面·表格·转换

  • 仓库：docling-project/docling；许可证：MIT（宽松，无权重商用门槛）；活跃度：约 66.6k★（2026）。
  • 定位："Get your documents ready for gen AI"——面向生成式 AI 的统一文档处理框架。
  • 核心能力：输入格式覆盖最广（PDF/DOCX/PPTX/XLSX/HTML/EPUB/邮件/音视频/XBRL 等）；DocLayNet 版面 + TableFormer 表格重建（FinTabNet TEDS>91%）+ 多引擎 OCR；元数据提取（标题/作者/参考文献/语言）；统一中间表示 DoclingDocument，导出 Markdown/HTML/JSON/DocTags/WebVTT；--pipeline vlm（GraniteDocling 258M，Apache-2.0）；LangChain/LlamaIndex/CrewAI/Haystack 官方集成、MCP Server、docling-serve。
  • 性能参考：olmOCR-Bench 50.3%（数字版子集 64.0%），强项不在卷 OCR 精度而在格式覆盖与生态集成。
  • 部署要求：Python 3.10+；CPU 可跑、GPU 可选；支持完全本地/离线（air-gapped）。
  • 小结：MIT + 基金会治理 + IBM 背书，企业级多格式文档 ETL 与 RAG 集成稳健选择；中文公式/手写极限精度弱于 MinerU、PaddleOCR。注意：PDF→DOCX 排版级还原非其目标。

Marker（Datalab） OCR·版面·转换

  • 仓库：datalab-to/marker；许可证：代码 Apache-2.0 + 权重 AI Pubs OpenRAIL-M（研究/个人/初创 <$5M 营收或融资免费，超出需购商业授权）；活跃度：约 39.8k★（2026）。
  • 定位：快速、高精度地将文档转换为 Markdown / JSON / chunks / HTML。
  • 核心能力：输入 PDF/图/PPTX/DOCX/XLSX/HTML/EPUB，全语言；输出 Markdown/JSON/RAG chunks/HTML；表格/表单/公式/链接/引用/代码块格式化；--use_llm 可选接 LLM 做跨页表合并、表单值抽取、行内公式修复；架构可扩展。
  • 技术架构：深度学习流水线，核心依赖同门 Surya 模型族——balanced 模式用 Surya VLM 做版面+行内公式 OCR+坏页重识别；fast 模式用 rf-detr 版面 + pdftext 文本层提取，仅对公式与损坏块做 VLM 点状修复，纯数字文档可完全绕开 VLM，CPU 友好。2026-07 发布重写版 Marker 2（Surya OCR 2 ~650M、20M 快速版面、pdftext 快约 3×；结构化抽取 converter 移除，改 --use_llm/托管 API）。
  • 性能参考：olmOCR-Bench balanced 76.0%（数字版 83.5%）；dots.ocr 仓库引用 Marker 1.10.1 为 76.1。
  • 部署要求：Python 3.10+；GPU/CPU/MPS 均可；balanced 需 vLLM（NVIDIA）或 llama.cpp。
  • 小结：速度精度平衡好、多格式齐全、RAG 友好；最大风险是权重商用许可门槛（融资/营收超 $5M 需付费）。同公司另有旗舰 Chandra 2（olmOCR-Bench 85.8–85.9，高于 dots.mocr 83.9），评估 Datalab 生态应以 Chandra 2 为质量锚点。

PaddleOCR 3.x（百度飞桨） OCR·版面·表格·转换

  • 仓库：PaddlePaddle/PaddleOCR；许可证：Apache-2.0（代码与权重均无商用限制）；活跃度：79k+★（2026-09，用户遍布 160 国）。
  • 定位：从经典 OCR 工具包升级为“OCR + 文档解析 + 文档理解”三位一体体系，三大核心方案：
  • PP-OCRv5（文字识别）：单模型统一简/繁/拼音/英/日，server / mobile 双版本（mobile 面向纯 CPU 与端侧）；
  • PP-StructureV3（文档解析）：PP-DocLayout 版面 + 表格/公式（PP-FormulaNet）/图表（PP-Chart2Table）/印章/阅读顺序一体化，“一键输出 JSON + Markdown”，支持 Word/docx 输出；
  • PP-ChatOCRv4-doc（KIE）：轻量 OCR 与 ERNIE-4.5、PP-DocBee2（3B 多模态）RAG 融合，关键信息抽取端到端 Recall@1 85.55%（官方自报，称超 GPT-4o 22 个百分点）。
  • 配套：PaddleOCR-VL（0.9B VLM，见 3.5）；训练/推理/部署工具链完整，支持昆仑芯、昇腾等国产硬件异构加速。
  • 小结：中文场景综合最强全家桶，从端侧 mobile 到服务器级 VLM 全覆盖，Apache-2.0 无商用顾虑；代价是绑定 PaddlePaddle 框架，组件繁多、上手略陡。

olmOCR（Allen Institute for AI） OCR·版面

  • 仓库：allenai/olmocr；许可证：Apache-2.0（代码与权重均宽松）。
  • 定位：PDF 大规模“线性化”（转 Markdown/纯文本）工具链，主打 LLM 训练/RAG 高质量语料。
  • 核心能力：直接处理 PDF 原文（正文/标题/章节/表格/公式/手写），清除页眉/页脚/水印，保留元数据，输出干净 Markdown；成本主张鲜明（每百万页 <$200，官方口径）；基于 Qwen2-VL 系微调（7B 级），vLLM 推理；olmOCR 2 引入 Unit Test Rewards（RL 奖励）；副产品 olmOCR-Bench 成行业通用基准。
  • 性能参考：olmOCR v0.4.0 在 olmOCR-Bench 总分 82.4（dots.ocr 仓库引用），高于 marker（76.1）与 MinerU 2.5.4（75.2）。
  • 部署要求：Python + vLLM；本地 GPU / Docker / AWS S3 集群均可；7B 模型对显存有要求（常 A100/H100 + vLLM）。
  • 小结：许可最宽松、面向海量页级批处理的 VLM 方案，学术背书、评测透明；小规模单位成本高于 1B 级专用小模型。

Unstructured（Unstructured.io） 版面·提取·转换

  • 仓库：Unstructured-IO/unstructured；许可证：Apache-2.0（open-core，LICENSE 核验）。
  • 定位：非结构化数据 ETL 库——不做最强解析，做最通用元素化切分，是 RAG/LLM 数据管道事实标准组件之一。
  • 核心能力：partition 系列 API 将 PDF/DOCX/PPTX/HTML/EML/图等 20+ 格式统一切分为带类型标签元素（Title/NarrativeText/Table/ListItem 等）并附页码/坐标；fast（文本层）/hi_res（版面+OCR）/ocr_only/auto 多策略；内置 chunking、清洗、staging（JSON/CSV/DataFrame）；与 LangChain、LlamaIndex 深度集成；可 Docker 化。
  • 小结：以信息提取 + 数据管道见长；表格/公式极限还原不如 MinerU、PaddleOCR 等专业解析器。常见组合：Unstructured 做统一元素层，专业解析器做 PDF 深度解析。

其他值得关注：

  • PDF-Extract-Kit（OpenDataLab 高质量抽取工具箱，AGPL-3.0）
  • DeepDoctection（Detectron2 全家桶，RAG 场景）
  • DocXChain（阿里达摩院模块化工具链，中英开箱）
  • Chandra / Chandra 2（Datalab 旗舰模型，olmOCR-Bench 85.8–85.9）
  • MonkeyOCR-pro-3B（华科，Elo 781.1）
  • HunyuanOCR（腾讯，331 语种，Tencent Hunyuan Community License）
  • GLM-OCR（智谱，0.9B）
  • SmolDocling / GraniteDocling（超小 VLM，DocTags）
  • Infinity-Parser（olmOCR-Bench 82.5+）
  • omniparse / open-parse / chunkr（视觉模型驱动分块）
  • pdf-extract-api（OCR+Ollama，匿名化/去 PII）
  • MarkItDown（微软“任意文件→Markdown”胶水层，MIT）
  • Parxy（统一 API 网关，多解析器 A/B 与灰度切换）

3.2　文本获取：底层文本抽取与 OCR 识别

把 PDF 中的文字“取出来”有两条互补路径：数字原生 PDF 自带文本层（直接读取即可，无需识别），扫描/图片 PDF 则需 OCR 识别。二者均属最底层的文本获取，区别于语义级的信息提取。

3.2.1 底层文本抽取（数字原生 PDF 文本层）

工具 许可证 文本 备注
PDFMiner.six MIT 优 底层文本/坐标提取，众多库的基础
PyMuPDF (fitz) AGPL-3.0 快/优 渲染级高速文本抽取，无 OCR/版面；RAG 轻量管线常用
pdfplumber MIT 优 字符/线/曲线级精细控制，调试首选
PyMuPDF4LLM AGPL-3.0 优 在 PyMuPDF 上叠加 Markdown 输出

数字原生 PDF 应直接读文本层而非逐页 OCR（Docling 官方称快 30×）；PyMuPDF / pdfplumber 在 CPU 上单页仅个位数毫秒。文本层不含阅读顺序、分栏、表格单元格概念，本质是“带坐标的字形袋”。

3.2.2 OCR 识别引擎（扫描件/图片/乱码 PDF）

引擎 许可证 语种 参数量/规模 核心特点 最佳场景
Tesseract Apache-2.0 100+ — LSTM、CPU 优先、生态最成熟；版面分析能力弱（仅 PSM 页面分割模式，无结构化输出） 多语种印刷体批量数字化、离线
PaddleOCR / PP-OCRv6 Apache-2.0 100+ tiny 1.5M / medium 34.5M / server 2026-06 发布，DB++ 检测 + SVTR_LCNet 识别，OpenVINO 在 Intel CPU 约 5.2×、M4 约 6.1× 加速；PP-StructureV3 复杂文档解析；GitHub 79k+ Star（已超越 Tesseract） 中文政务/金融/产业级、边缘
EasyOCR Apache-2.0 80+ — PyTorch、API 极简、抗干扰强；无表格/版面模块 多语种轻量快速原型
Surya 代码 Apache-2.0；权重 Modified AI Pubs OpenRAIL-M（<$5M 免费，旧 CC-BY-NC-SA 4.0） 90+ 650M（识别模型单体） Transformer，复杂/旋转表格识别强，含阅读顺序 财务/学术多栏复杂文档（Marker 2 底座）
GOT-OCR 2.0 研究用途（原仓库）/ Apache-2.0（HF 卡，存争议） 50+ 580M 阶跃星辰，端到端 VLM（ViTDet + Qwen-0.5B），统一文本/公式/图表/乐谱/分子式，显存 <3GB 科技文献/结构化文档、低显存
HunyuanOCR Tencent Hunyuan Community License（排除 EU/UK/韩国） 331（arXiv:2607.04884） 1B 腾讯端到端 VLM，OmniDocBench v1.6 94.74（HunyuanOCR-1.5）、OCRBench 860 轻量 SOTA、消费级 GPU
Dots.OCR → dots.mocr MIT 100+ 1.7B → 3B 小红书 hi-lab VLM，统一版面+内容，比 GPT-4o/Gemini 快 10×；独特支持图表→SVG 代码；olmOCR-Bench 83.9 复杂多语种文档、图表矢量重建
Dolphin Apache-2.0 50+ 400M+ 先分析后解析复杂版面 复杂版面文档
GLM-OCR MIT 30+ 0.9B 智谱，支持 schema 引导 JSON 结构化输出，Ollama 可部署 中文 KIE/字段抽取、学术内容
DeepSeek-OCR 2 MIT 30+ 3.39B（MoE） 中英文档，MoE 降低单页推理成本 中英文档、批量云管线
Baidu Unlimited-OCR MIT 40+ 3B 多页 PDF 单次通过、HTML+LaTeX 结构化输出 多页结构化批量
LightOnOCR-2 Apache-2.0 20+ 1B 法语/欧洲语种优化 法语/欧洲语种
Florence-2 MIT 100+ 770M 通用视觉任务基座 通用视觉+OCR 组合场景

关于手写识别的定性结论：Surya 在开源方案中综合最佳，Nougat 手写尚可，Tesseract 在 CPU 上极快但手写弱；超大模型 Qwen2.5-VL-72B 手写最强。

3.3　版面分析专用

  • LayoutParser（Zejiang Shen 等，Allen Institute for AI / Brown / Harvard / UW / Waterloo，arXiv:2103.15348）：基于 Detectron2（Meta）等可插拔后端的文档图像分析工具箱，内置学术论文/报纸/表格预训练模型，准确率 90%+。

  • PP-Structure / PP-StructureV3（PaddleOCR 团队）：五模块架构（预处理→OCR→版面→文档项识别→后处理）。版面分析用 PP-DocLayoutV2——在 PP-DocLayout_plus-L（RT-DETR-L）之上级联 6 层 Transformer 轻量指针网络；检测框与类别经绝对二维位置编码嵌入，注意力引入 Relation-DETR 几何偏置建模元素间成对几何关系，由成对关系头产生 N×N 相对顺序矩阵，再用确定性 "win-accumulation" 解码还原拓扑一致的阅读顺序；自建评测集含 1,000 张图、覆盖 25 类版面元素（文档标题、章节标题、正文、竖排文字、页码、摘要、目录、参考文献、脚注、图题、页眉/页脚、算法、行内/行间公式、公式编号、图、表、印章、图表、旁注等）。PubLayNet mAP 96.2。

  • 360LayoutAnalysis：360 开源版面检测模型，中文文档适配。

  • DocLayout-YOLO：基于 YOLO 的高速区域检测，社区流行，轻量易部署。

  • LayoutLMv3 / LayoutXLM / LiLT：多模态版面理解预训练（详见 3.4.3），多作为下游微调底座而非独立解析器。

  • RT-DETR / Heron：实时检测 Transformer，Docling 采用做区域检测。

3.4　信息提取专项

本节整合「信息提取」的三类子任务——表格提取、公式提取、信息抽取 KIE：版面分析先定位表格/公式/字段区域，本层再对框内网格结构、公式符号与语义字段做精细化重建。三者即广义“从文档中抽取结构化信息”，是理解能力的最终落点。

3.4.1　表格提取

工具/模型 许可证 有线表 无线表 合并/跨页 输出
Camelot MIT 优 良 部分 CSV/Excel/JSON/SQLite
Tabula(-py) MIT 优 良 弱 CSV/TSV/JSON
pdfplumber MIT 优 优 部分 代码→DataFrame
TableTransformer (TATR) MIT(MS) 优 优 良 图像/PDF（需 GPU）
gmft MIT 优 优 部分 DataFrame/CSV
StructEqTable-Deploy — 表格→LaTeX 高效工具包 LaTeX

经验法则：有线表格用 Camelot(flavor="lattice") 或 Tabula；无线/白隙表用 Camelot(flavor="stream") 或 pdfplumber；图片原生/复杂合并单元格用 TableTransformer 或 VLM 平台（MinerU/Docling）。2025 年工业界标准答案已转向 layout-aware 解析器（MinerU/Docling/Marker）。

深度学习表格结构识别（TSR）模型：规则/几何方法之外，工业级表格结构重建由专用模型支撑——TableFormer（Docling，金融表格强，FinTabNet TEDS>91%）、SLANet / SLANet_plus（PaddleOCR）、PP-TableMagic（PaddleOCR）；TATR（微软）在财务/专利/法律/科学文献类表格检测领先。

3.4.2　公式提取

公式提取 = 公式检测（MFD, Mathematical Formula Detection） + 公式识别（MER / im2latex）：先由检测模型在页面中定位行内/行间公式框，再由识别模型将裁剪图转为 LaTeX / MathML。难点在于公式是严格二维、可嵌套（上下标、分式、根式、矩阵、多行对齐）的结构，传统 OCR 把公式当一维文本会丢失层级；评价指标除 BLEU、归一化编辑距离（EditDistance）外，CDM（Content Detection Match，UniMERNet 提出） 因不受 LaTeX 等价表达多样性影响，正成为更公平的公式识别度量。

主流公式识别库 / 模型：

库 / 模型 机构 许可证 架构 / 输出 关键性能（版本钉死） 定位
UniMERNet 上海 AI Lab / OpenDataLab Apache-2.0（代码+权重） Donut-Swin 编码 + mBART 解码；LaTeX CDM 全面优于 Texify/GOT 乃至 72B/78B VLM（CVPR 2026）；base ExpRate 84.6% / large 87.3% 真实场景复杂/手写公式，MinerU 默认后端
PP-FormulaNet / plus 百度 PaddleOCR Apache-2.0 plus-L（Vary-ViT-B）等；LaTeX En-BLEU 92.22 / Zh-BLEU 90.64（plus-L）；S 版约快 10× 中英文公式、追求速度/工程集成
LaTeX-OCR（pix2tex） Lukas Blecher MIT ViT 编码（ResNet 骨干）+ Transformer 解码；LaTeX BLEU 0.88 / normED 0.10（im2latex-100k） 开源基线，仅块级公式
Nougat Meta（FAIR） MIT 代码 + CC-BY-NC 4.0 权重（禁商用） Donut 编码-解码（2×Swin，350M+250M）；Mathpix Markdown 英文学术 PDF 公式/表格保真标杆 英文学术文献数字化
Surya LaTeX VikParuchuri / Datalab Apache-2.0 代码 + Modified AI Pubs OpenRAIL-M 权重（<$5M 免费） 650M VLM；LaTeX 公式支持较 Nougat/GOT 有限（见 3.5） Marker 后端，通用 OCR 附带公式
GOT-OCR 2.0 阶跃星辰（StepFun） Apache-2.0（HF 卡；原仓库标"研究用途"，口径存异，见 4.3） Vary 编码 + Qwen 解码；统一文本/公式/图表/乐谱 公式→LaTeX，低显存 <3GB 统一端到端 OCR（详见 3.5）
Texify VikParuchuri / Datalab GPL-3.0 代码 + CC-BY-SA 4.0 权重（可商用） Donut 衍生；LaTeX+Markdown 已**弃用**，功能并入 Surya 历史基线，行内+块级公式
Mathpix Snip Mathpix（商业） 闭源 / 付费 API 云端深度学习 OCR 印刷体公式 ~95%+，业界金标准 商业基准锚点（非开源）

识别之前需先定位公式。专用检测模型包括 YOLOv8 微调（PDF-Extract-Kit，AP50≈87.7）、Pix2Text-MFD（AP50≈60.1）；UniMERNet 也提供基于 PDF-Extract-Kit MFD 的教程。

综合工具包：

  • PDF-Extract-Kit（OpenDataLab）：布局检测（DocLayout-YOLO 默认，另支持 YOLO-v10 与 LayoutLMv3 精度优先）+ 公式检测（YOLOv8）+ 公式识别（复用 UniMERNet 权重）+ OCR（PaddleOCR）的模块化工具包，公式识别直接调用 UniMERNet、无需额外微调；各子模型遵循各自许可证（见 4.3）。
  • Pix2Text（breezedeus）：国产类 Mathpix 工具，覆盖公式检测+识别（底层复用 LaTeX-OCR），提供易用 API，适合中文公式快速接入。

选型逻辑：追求真实场景复杂/手写公式精度且可商用 → UniMERNet（MinerU 默认）；追求中文本地化与高吞吐 → PP-FormulaNet_plus；只需块级公式快速验证 → LaTeX-OCR（pix2tex）；英文学术 PDF 数字化且不考虑商用 → Nougat；低显存统一 OCR+公式 → GOT-OCR 2.0；严禁依赖外部 API 的产线应避开 Mathpix。

3.4.3　信息抽取（KIE）

版面解析之上，面向“从文档中抽取结构化字段（发票号、金额、日期、实体）”的任务：

模型 机构 架构 特点 代表成绩 / 许可
LayoutLMv3 微软 OCR tokens + 布局 + 图像三模态 英文表单 F1 最高，需 OCR 预处理 FUNSD 92.08 F1；DocVQA ANLS 83.37（开源 SOTA）；权重 CC BY-NC-SA 4.0（非商用）
LayoutXLM 微软 LayoutLMv2 多语言版 53 语言预训练 多语言表单理解
LiLT 学术界 布局/文本双 Transformer 解耦 可插拔任意语言模型，跨语言零样本迁移 FUNSD 88.41（配 InfoXLM）
Donut NAVER OCR-free Swin + mBART 免 OCR、像素直出 JSON；训练成本高 CORD 84.1 F1
PP-ChatOCRv4 百度 轻量 OCR + ERNIE 4.5 中文 KIE 开箱即用，精度较上代 +15pct 中文票据/证照场景
TrOCR / GLM-OCR 微软 / 智谱 生成式 OCR TrOCR 文本行识别；GLM-OCR 可 Ollama 部署、schema 引导 JSON MIT/Apache 许可

3.5　通用视觉语言模型（VLM）作为解析引擎

通用 VLM 不是专门的 PDF 解析库，而是 解析后端/底座 ——凭强大文档理解能力被直接调用（如 Zerox、GPTPDF 封装 Qwen/Gemini 作外挂 VLM），或嵌入 MinerU/PP-Structure 的数据构建管线。其优势是零样本泛化强，缺点是成本高、存在幻觉文本风险。

3.5.1 专用文档 VLM（端到端）

模型 规模 许可 关键特征 代表成绩
PaddleOCR-VL-1.6 0.9B Apache-2.0 NaViT 动态分辨率 + ERNIE-4.5-0.3B，代码与权重均无商用限制，109 语种，支持异形框/印章/跨页 OmniDocBench v1.6 96.33（小模型 SOTA，2026 Q3 被 OvisOCR2 96.58 / TeleOCR 96.87 超越）
HunyuanOCR 1B Tencent Hunyuan Community License（排除 EU/UK/韩国） 中文文档优化 OmniDocBench v1.6 94.74（HunyuanOCR-1.5）
MinerU2.5 1.2B 权重需点协议 复杂版面鲁棒 OmniDocBench v1.6 93.04（base）/ 95.75（Pro）
Dots.OCR → dots.mocr 1.7B→3B MIT 图表→SVG 代码，多语 olmOCR-Bench 83.9
GOT-OCR 2.0 580M 研究用途（原仓库）/ Apache-2.0（HF 卡，存争议） 乐谱/分子式/几何图形多模态 边缘/低显存首选
DeepSeek-OCR 2 / OCR2 3.39B（MoE） MIT ~100 语言，批量成本优 大规模批处理
olmOCR 7B Apache-2.0 GPT-4o 作为教师生成训练数据、Qwen2-VL-7B 作为学生基座微调，小 VLM 做 OCR 英文学术文献
Nougat — CC-BY-NC 2023 LaTeX 还原先驱 历史基线（禁商用）

3.5.2 通用 VLM 后端（非专为 OCR 设计）

模型 规模 许可 关键特征
Qwen2.5-VL 3B→72B 权重 Apache-2.0（72B 超大规模需遵循 Qwen 社区许可） DocVQA 95.7、QwenVL HTML 版面格式，中文文档首选后端之一
InternVL2.5 多档 — 通用多模态，英文/通用
GLM-4V-9B 9B 代码 Apache-2.0 / 权重 OpenRAIL-M 1120×1120 端到端中文 OCR，允许商用（年营收<200 万美元初创免费，禁生成违法/歧视内容）
MiniCPM-V 2.6 8B（SigLip-400M + Qwen2-7B） Apache-2.0 OCRBench SOTA，端侧友好

4. 综合对比分析

4.1　第一梯队端到端系统对比（Docling / MinerU / Marker / PaddleOCR）

维度 Docling MinerU Marker 2 PaddleOCR/PP-StructureV3
范式 Pipeline + 可选 VLM Pipeline + MinerU2.5 VLM Surya 套件编排 + 可选 LLM 精修 Pipeline + PaddleOCR-VL
版面模型 RT-DETR / Heron DocLayout-YOLO（PDF-Extract-Kit 为同团队工具包，可选 LayoutLMv3） Surya 20M 快速版面 PP-DocLayout 系列
表格 TableFormer（金融强，FinTabNet TEDS>91%） 强（跨页合并） 基础（TEDS 约 75–80%，LLM 补强） PP-TableMagic
公式 一般（复杂嵌套弱） 最强（UniMERNet，LaTeX，编号） Surya LaTeX PP-FormulaNet_plus
OCR 可插拔 Tesseract/EasyOCR/RapidOCR 内置 PaddleOCR Surya OCR 2（~650M） PP-OCRv6（单模型 50 语）
输入格式 最广（PDF/DOCX/PPTX/XLSX/HTML/EPUB/邮件/音频） PDF/图/DOCX PDF/图/PPTX/DOCX/XLSX/HTML/EPUB PDF/图
多语言 取决于 OCR 后端 109 语言，CJK 最强 90+（Surya） 50 语统一 / VL 版 109 语
硬件 纯 CPU 可跑 高精度路径需 GPU（≥8GB） CPU 可跑，批量需大 GPU（~3–5GB/worker） CPU/GPU 均可，边缘 1.5M 起
许可证 MIT（Granite Apache-2.0） MinerU Open Source License（Apache-2.0 系，≥3.1.0 由 AGPLv3 切换） 代码 Apache-2.0 + 权重 OpenRAIL-M（$5M 门槛） Apache-2.0（代码+权重无限制）
治理 LF AI & Data，IBM/Red Hat 背书 社区活跃，Star 最高 Datalab 公司主导 百度开源，持续迭代

4.2　精度基准

本报告参考如下两个主流评测基准。注意各仓库自报分数存在“选择性打榜”现象（如 marker README 强调其领先 MinerU/docling，dots.ocr README 强调其超越 MinerU2.5），横向对比时应优先采用同一来源、同一版本的榜单数据，并以自有业务样本复测为最终依据。

基准 维护方 规模与构成 评测方式 备注
OmniDocBench OpenDataLab（上海 AI 实验室） v1.0 含 981 页真实 PDF，覆盖 9 大文档类型、4 种布局类别、3 种语言，超 2 万个区域级标注；v1.5 进一步扩充 端到端整页解析 + 模块级（OCR/表格/公式/阅读顺序）双维度；采用 CDM（Content-Driven Matching）内容驱动匹配框架，降低空白/样式噪声影响 中英文档解析领域引用最广的基准之一，PP-StructureV3、MinerU2.5、PaddleOCR-VL、dots.ocr 等均在此打榜
olmOCR-Bench Allen Institute for AI（AI2） 1,400+ 份 PDF、7,000+ 项单元测试，覆盖数学公式、表格、多栏、古旧扫描件、页眉页脚、超长小字等 8 类硬场景 单元测试式断言（文本存在性、属性、计数等），输出总分 由 olmOCR 团队发布，被 marker、dots.ocr、surya 等多家第三方主动引用对比

4.2.1　OmniDocBench v1.6

OmniDocBench（CVPR 2025，上海人工智能实验室 / OpenDataLab，arXiv:2412.07626）是当前文档解析选型的核心综合基准。其端到端 Overall（官方排行榜称 Accuracy，满分 100，越高越好）由三项子指标按固定权重合成：

Overall = ((1 − TextEditDist) × 100 + TableTEDS + FormulaCDM) / 3
  • TextEditDist：纯文本归一化编辑距离（越低越好）；
  • TableTEDS：表格结构 TEDS 相似度；
  • FormulaCDM：公式字符检测匹配 CDM。

本报告固定 OmniDocBench v1.6 为统一口径（截至 2026-09 公开最完整的官方排行榜版本；v1.6 引入 MGAM 多粒度自适应匹配与 296 页 Hard 子集）。

模型（版本） 参数量 Overall↑ (v1.6) 备注
TeleOCR 1.2B 96.87 阿里，2026 Q3 开源新 SOTA（arXiv:2608.12898）
OvisOCR2 0.8B 96.58 阿里 ATH-MaaS，小模型 SOTA
PaddleOCR-VL-1.6 0.9B 96.33 0.9B 小模型前列（已被上二者超越）
MinerU2.5-Pro 1.2B 95.75 数据为中心扩展版
GLM-OCR 0.9B 95.22 智谱
PaddleOCR-VL-1.5 0.9B 94.93 上一版（v1.5/v1.6 归属存疑，见注）
HunyuanOCR-1.5 1B 94.74 升级版
PaddleOCR-VL 0.9B 94.18 初版
Qianfan-OCR 4B 93.90
Youtu-Parsing 2.5B 93.74
Ovis2.6-30B-A3B 30B 93.70 通用 VLM
Logics-Parsing-v2 4B 93.33
FireRed-OCR 2B 93.26
MinerU2.5 1.2B 93.04 基础版（本报告主引用）
dots.ocr 3B 90.77
OpenDoc-0.1B 0.1B 90.67
DeepSeek-OCR 2 3.39B（MoE） 90.25
HunyuanOCR 1B 89.95 基础版（v1.5 口径曾报 94.1）
olmOCR 7B 85.74 GPT-4o 教师蒸馏
Mistral OCR (API) — 85.66 商业 API 参照

数据出处：OmniDocBench 官方排行榜 github.com/opendatalab/OmniDocBench（Papers With Code / CodeSOTA 镜像），经 arXiv:2606.03264 与 arXiv:2608.12898v3 两篇 2026 论文交叉校验（TeleOCR 96.87、OvisOCR2 96.58 等 2026 Q3 新模型已纳入表中）。所有数字为厂商/论文自报，建议以自有样本 POC 复测为最终裁决。

4.2.2　olmOCR-Bench

Allen AI 第三方基准，1,403 份 PDF、8 类子集 macro-average（越高越好）。数字取自 olmOCR 仓库与 dots.ocr 仓库，两源完全一致。

模型（版本） Overall 说明
Mistral OCR (API) 72.0 商业 API 参照
MinerU 2.5.4* 75.2 端到端
DeepSeek-OCR (3B) 75.7
Marker 1.10.1 76.1 balanced 路径
dots.ocr (1.7B) 79.1
PaddleOCR-VL* (0.9B) 80.0 小模型高调位
olmOCR v0.4.0 (7B) 82.4 GPT-4o 教师蒸馏
Surya OCR 2 83.3 Surya 模型栈新版
dots.mocr (3B) 83.9 公实数值准确
Chandra 2（Datalab） 85.8–85.9 Datalab 旗舰模型（2026）
Nanonets OCR-3 87.4 商业/开源混合
Infinity-Parser2-Pro 87.6

星标（*）为各仓库官方复测版本。结论：dots.mocr 83.9 公实数值准确，但 2026 年已被 Chandra 2（85.8–85.9）、Infinity-Parser2-Pro（87.6）、Nanonets OCR-3（87.4） 等超越，“开源 SOTA 区间”说法已不成立；Surya OCR 2 自身为 83.3。端到端小模型已逼近甚至超过部分商业 API。

4.3　许可证与商用矩阵

PDF 文档解析系统的许可证分「代码许可」与「权重许可」两层——代码开源 ≠ 权重可商用，商用前须逐一核对仓库 LICENSE 与模型卡。

项目 代码许可 权重许可 商用注意点
MinerU Apache-2.0 系 MinerU Open Source License（附加商业条款） ≥3.1.0 由 AGPLv3 切换；超 100M MAU 或 $20M/月营收需商业授权，在线服务须标明
Marker / Surya Apache-2.0 修改版 AI Pubs OpenRAIL-M 融资/营收 ≥$5M 企业商用需付费授权
Docling MIT MIT（GraniteDocling 等以模型卡为准） 无显著门槛
PaddleOCR（含 PP-StructureV3） Apache-2.0 Apache-2.0 无显著门槛
PaddleOCR-VL Apache-2.0 Apache-2.0 无显著门槛
olmOCR Apache-2.0 Apache-2.0 无显著门槛
Unstructured Apache-2.0 — 开源库与付费云 API 功能有差异
dots.ocr / dots.mocr MIT MIT 无显著门槛
DeepSeek-OCR 2 MIT MIT 无显著门槛
GOT-OCR 2.0 Apache-2.0 Apache-2.0 注：原仓库标"研究用途"，HF 卡为 Apache-2.0，口径存异，商用前核对
HunyuanOCR Tencent Hunyuan Community License 同左（排除 EU/UK/韩国） 商用须评估地域排除条款
DocLayout-YOLO AGPL-3.0 以仓库为准 SaaS/闭源集成有传染风险
PDF-Extract-Kit AGPL-3.0 组件各异 同上，且组件许可需逐个核对
LayoutLMv3 MIT（代码） CC-BY-NC-SA 4.0（非商业） 权重不可商用
MarkItDown MIT — PDF 底座 PyMuPDF 为 AGPL，深度集成需评估
PyMuPDF AGPL-3.0 / 商业双授权 — 闭源产品需购买商业许可
pdfplumber / pdfminer.six / Tesseract / EasyOCR / RapidOCR MIT / MIT / Apache-2.0 / Apache-2.0 / Apache-2.0 同左 无显著门槛

4.4　选型决策树

  1. 文档是否含扫描/图片且无文本层？是 → 先 OCR（PaddleOCR 中文 / Tesseract 离线 / HunyuanOCR）；否 → 进入 2。
  2. 中文技术文档 / 公式密集 / 表格多？→ MinerU。
  3. 多格式（PDF+Office+HTML）企业 RAG / 强合规离线？→ Docling（MIT，纯 CPU，气隙部署）。
  4. 快速转 Markdown、代码 Apache-2.0 友好？→ Marker（注意权重 AI Pubs OpenRAIL-M 的 $5M 商用门槛）。
  5. 仅提取规则表格？→ Camelot / pdfplumber。
  6. 纯文本快速抽取？→ PyMuPDF4LLM / pdfplumber。
  7. 轻量端到端 / 消费级 GPU？→ HunyuanOCR / Dots.OCR / GOT-OCR 2.0。
  8. 已具备 GPU 与工程能力、想要自研解析后端？→ Qwen2.5-VL / InternVL2.5 / GLM-4V-9B / MiniCPM-V 2.6，同一模型兼顾解析与 RAG 问答，且可避开 AGPL 约束。
  9. 发票/表单字段抽取（中文）？→ PP-ChatOCRv4 / Donut。

5. 总结

PDF 解析已从“文本抽取”进化为“文档智能”。开源生态在 2024–2026 年完成关键跃迁：以 MinerU、Docling、Marker 为代表的综合平台，结合 PaddleOCR、HunyuanOCR、Dots.OCR、GOT-OCR 2.0 等识别引擎，以及 Camelot、pdfplumber、LayoutParser、PP-Structure 等专项工具，已能覆盖 OCR、版面分析、信息提取与格式转换的全链路需求，并在多个基准上逼近甚至超过商业 API。

2026 年形成清晰的“三超 + 一厂”格局：MinerU 在表格/公式/CJK 维度综合最强（但 OmniDocBench Overall 已被 PaddleOCR-VL-1.6/TeleOCR/OvisOCR2 超越）、Marker 轻量转 Markdown 场景采用广（但权重许可证构成商用门槛，且 GitHub Star 约 39.8k 低于 MinerU 80.2k 与 Docling 66.6k）、Docling 覆盖面与合规性最强（MIT + 纯 CPU + 企业治理）、PaddleOCR 以 Apache-2.0 全栈 + 中文主场 + 0.9B 小模型高调位成为许可证敏感型企业的最优解（GitHub 79k+ 已超越 Tesseract）。经典工具（PyMuPDF/pdfplumber/Camelot）在规则化数字原生文档上仍是成本最低方案。

关键技术趋势如下：

  • VLM 端到端成为主流：Nougat→GOT-OCR 2.0→HunyuanOCR→Dots.OCR→MinerU 2.5 表明，单次前向推理统一检测/识别/版面/表格/公式/翻译，正系统性替代级联流水线。

  • VLM 小型化竞赛：1.2B 的 MinerU2.5、0.9B 的 PaddleOCR-VL、258M 的 Granite-Docling 相继刷榜，证明分辨率工程 > 参数堆叠成为新范式，端侧/CPU 部署边界不断下移。

  • 双后端成为标配：管线（低成本兜底）+ VLM（高精度攻坚）二元架构 + 级联策略，是 2026 年生产系统主流拓扑。

  • 多模态融合与结构化输出：公式→LaTeX、表格→HTML、流程图→Mermaid、图表→SVG（dots.mocr），输出从纯文本走向机器可读结构化对象。

  • Agent / MCP 原生集成：MinerU、Docling、Unstructured 均已支持 MCP 与主流 Agent 框架；Docling 已有 OpenShift Operator，解析从”库”推向“服务”。

附录 A　项目索引

名称 GitHub / 主页
MinerU github.com/opendatalab/MinerU
Docling github.com/docling-project/docling
Marker github.com/datalab-to/marker
olmOCR github.com/allenai/olmocr
Unstructured github.com/Unstructured-IO/unstructured
DeepDoctection github.com/deepdoctection/deepdoctection
DocXChain github.com/AlibabaResearch/AdvancedLiterateMachinery/tree/main/Applications/DocXChain
Tesseract github.com/tesseract-ocr/tesseract
PaddleOCR github.com/PaddlePaddle/PaddleOCR
EasyOCR github.com/JaidedAI/EasyOCR
Surya github.com/VikParuchuri/surya
GOT-OCR 2.0 github.com/Ucas-HaoranWei/GOT-OCR2.0
HunyuanOCR github.com/Tencent/llm.hunyuan.ocr
Dots.OCR github.com/rednote-hilab/dots.ocr
LayoutParser github.com/Layout-Parser/layout-parser
PP-Structure github.com/PaddlePaddle/PaddleOCR
360LayoutAnalysis github.com/360AIResearch/360LayoutAnalysis
Camelot github.com/camelot-dev/camelot
Tabula github.com/tabulapdf/tabula
pdfplumber github.com/jsvine/pdfplumber
TableTransformer github.com/microsoft/table-transformer
PDFMiner.six github.com/pdfminer/pdfminer.six
PyMuPDF / 4LLM github.com/pymupdf/PyMuPDF
markitdown github.com/microsoft/markitdown
Nougat github.com/facebookresearch/nougat
pdf-craft github.com/oomol-lab/pdf-craft
pandoc pandoc.org
SmolDocling github.com/docling-project/smoldocling
Parxy 统一多解析器 API 网关
StructEqTable-Deploy github.com/UniModal4Reasoning/StructEqTable-Deploy
chunkr github.com/lumina-ai-inc/chunkr

附录 B　参考资料

  1. Livathinos et al., Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion, arXiv:2501.17887（IBM 官方技术报告与基准）
  2. Cui et al., PaddleOCR 3.0 Technical Report, arXiv:2507.05595（PP-StructureV3 五模块架构）
  3. A Comparative Study of PDF Parsing Tools Across Diverse Document Categories, arXiv:2410.09871（DocLayNet 十工具对比）
  4. PaddleX / PaddleOCR 官方文档：PP-StructureV3、PP-DocLayoutV2 阅读顺序机制
  5. Camelot 官方对比文档（2026-05 版，与 Tabula/pdfplumber/PyMuPDF/unstructured 逐项对比）；camelot-dev/camelot v2.0.0 发布说明（2026）
  6. olmOCR-Bench（Ai2）、OmniDocBench（CVPR 2025，arXiv:2412.07626）公开榜单及 2026 年第三方复测报道
  7. pdfmarkdownapp/pdf-to-markdown-benchmark（MIT，公开答案键与缺陷账本）
  8. "Docling vs Marker vs MinerU: The Ultimate Open-Source PDF Parser Benchmark (2026)", Aditya Mangal（含可复现评测脚本与许可分析）
  9. Datalab, Marker 2 发布与 olmOCR-bench 对比（2026-07）；Best Open-Source OCR Models 2026 (Compared)（2026-08 更新）；Chandra 2 旗舰 OCR 模型（olmOCR-Bench 85.8–85.9）
  10. HunyuanOCR 技术报告, arXiv:2607.04884（331 语种；OmniDocBench v1.6 94.74）
  11. TeleOCR, arXiv:2608.12898（OmniDocBench v1.6 96.87，2026 Q3 开源 SOTA）
  12. OvisOCR2（阿里 ATH-MaaS，OmniDocBench v1.6 96.58）；MinerU 3.4/4.0 发布说明（2026-06 / 2026 后续，GitHub opendatalab/MinerU）

本报告由 Kimi2.7、Qwen3.8-max、Hunyuan3、DeepSeek-v4.1-flash、Claude Opus 5 基于公开技术资料、官方仓库、技术博客与 2025–2026 年公开基准整理，数据截至 2026-09。具体版本能力与许可证以各项目官方仓库最新声明为准。