粤ICP备17114055号
微信扫码
添加专属顾问
支持私有化部署
我要投稿
| 名称 | OCR | 提取表格内容 | 保留文本顺序 | 提取图片 | 保存成md格式 | 其他特性 |
| pymupdf | ❌ | ✔️ | ✔️ | ✔️ | ❌ | ● 表格提取 ● 自定义字体 |
| pdfminer | ❌ | ❌ | ✔️ | ❌ | ❌ | ● 版面分析 |
| pdfplumber | ❌ | ✔️ | ❌ | ❌ | ❌ | ● 表格提取，但存在丢失列的问题 |
| pypdf2 | ❌ | ❌ | ✔️ | ❌ | ❌ | ● pdf合并与拆分 ● 添加水印 |
| llama-parse | ✔️ | ✔️ | ✔️ | ✔️ | ✔️ | ● 付费API每天有免费额度 |
| open-parse | ✔️ | ✔️ | ✔️ | ❌ | ✔️ | ● 文本支持保存markdown和html格式 ●内置表格模型，可自由选择 ●表格带markdown格式 |
| deepdoc | ✔️ | ✔️ | ✔️ | ✔️ | ❌ | ● 支持版面分析 ●表格带html格式 |
| MinerU | ✔️ | ✔️ | ✔️ | ✔️ | ✔️ | ● 文本带markdown格式 ● 解析保留中间过程，可用于二次调优 ● 表格提取非常慢，目前效果一般 |
• 非扫描件无OCR要求直接使用pymupdf(fitz)即可，能正确保留双列布局的文本顺序，同时能提取表格和图片，而且表格是以List的格式保留。
• 其余几个传统的PDF解析库倾向于对pdf进行编辑，比如添加水印，增加或者删除页面等。
• llama-parse 中文文档效果不好，而且还是通过API使用，但是每天有固定的免费额度，可以用于处理扫描件。
• deepdoc和MinerU是近期开源项目中比较强大的RAG解析工具。deepdoc优势点在于表格效果较好，亲测无边框的表格有大多数效果仍可圈可点，并且保留为html格式，因此允许合并单元格；MinerU优势在于识别的文本带有markdown格式，因此用于RAG切分文档中可以省去不少功夫。
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-04-30
Mockaroo - 模拟生成测试数据
2025-04-30
MCP实战：将公众号接口做成mcp后，我终于实现了，一句话让AI自己搜索、撰文、配图、排版并发布公众号
2025-04-29
AI时代软件测试的认知革命与架构重塑
2025-04-29
Prompt 练习｜教育中的等待现象
2025-04-29
AI 友好架构：AI 编程最佳范式，构建 10x 效率提升的代码库（万字长文）
2025-04-29
Fetch MCP网页内容抓取实操：抓取“刘强东送外卖”新闻案例详细教程！
2025-04-29
技术为何无法帮助我们思考？从笔记软件的局限性谈起
2025-04-29
豆包是懂PDF论文阅读的
2025-03-06
2024-09-04
2025-01-25
2024-09-26
2024-10-30
2024-09-03
2024-12-11
2024-12-25
2024-10-30
2025-02-18
回到顶部