知识库Dify和cherry无法解析影印pdf word解决方案

近期收到大量读者反馈：上传pdf/图文PDF到dify、Cherry Studio等知识库时，普遍存在格式错乱、图片丢失、表格失效三大痛点。

如果想要解析扫描件，或者带图片的pdf或word，怎么办？

通过工具将文档转成markdown

私密性的文件，建议本地部署，本地模型，非私密性的文件，可以使用一些在线服务。

marker

https://github.com/VikParuchuri/marker

在github上21.6k星

总结下用途

• • 多格式转换：支持 PDF、图像、PPTX/DOCX/XLSX/HTML/EPUB → Markdown/JSON/HTML
• • 复杂内容提取：表格、公式、代码块、链接，支持图像保留与 OCR 修复，适配论文、金融文档等场景。
• • 可扩展优化：通过 --use_llm 调用 Gemini/Ollama 等模型提升准确率，支持自定义处理规则。

优点

1. 1. 速度与精度：单页平均处理仅 0.18 秒（H100 GPU），基准测试优于 Llamaparse/Mathpix；
2. 2. 灵活性强：兼容 GPU/CPU/MPS，支持批量并发（122 页/秒多 GPU 模式）；
3. 3. 开源易扩展：模块化设计，可自定义 Processor/Renderer。

缺点

1. 1. 文档复杂度限制：复杂嵌套表格需依赖 LLM 辅助；
2. 2. 商业化壁垒：模型权重非商用，企业使用需营收<$5M；
3. 3. 硬件高需求：GPU 加速依赖显存（单进程峰值 5GB）。

所需硬件资源

• • 基础配置：CPU/MPS（Mac 芯片）可轻量运行，但速度下降；
• • 推荐配置：多 CUDA GPU（如 H100/A100）提升吞吐，显存≥16GB 优化并行；
• • LLM 附加：启用 --use_llm 需联网调用云服务（Gemini/Claude/Ollama）。

markitdown

https://github.com/microsoft/markitdown

在github上39.4k星

用途

将多种文件类型（PDF、Office文档、图像、音频、HTML、ZIP、YouTube等）转换为Markdown格式，支持文本分析、索引生成等场景，并提供插件扩展能力。

优点

1. 1. 格式丰富：支持超过20种文件格式（含音视频、图像OCR、YouTube字幕）。
2. 2. 灵活安装：按需选择依赖（如[pdf]/[docx]），减少冗余资源占用。
3. 3. 扩展性强：支持第三方插件（GitHub搜索#markitdown-plugin），适配定制需求。
4. 4. 集成AI能力：结合Azure文档智能、OpenAI模型（如GPT-4o）增强OCR、音频转录与图像描述功能。
5. 5. 多场景适配：提供CLI、Python API、Docker镜像，适合本地开发与云环境。

缺点

1. 1. 依赖管理复杂：需手动选择安装依赖项（默认不全覆盖），可能引发兼容性问题。
2. 2. 外部服务依赖：Azure/OpenAI功能需API密钥和网络支持，增加配置门槛。
3. 3. 版本变更风险：v0.0.1至v0.0.2存在破坏性更新，旧项目迁移需调整。

所需硬件资源

• • 基础配置：适用于常规文件处理（CPU/RAM需求低）。
• • 复杂任务：大文件处理、AI模型调用（如OCR/语音转录）建议高配置CPU/内存。
• • 云服务依赖：Azure或OpenAI功能需稳定网络环境及对应API资源。

MinerU

https://github.com/opendatalab/MinerU

在github上27.1k星

用途

• • 文档结构化转换：PDF转Markdown/JSON，保留文本、表格、公式、图像结构。
• • 学术/技术处理：精准提取论文公式（LaTeX）、表格（HTML）。
• • 多语言OCR：支持84种语言的扫描文档识别。

优点

1. 1. 高效精准：多模型加速（10倍+速度），跨页拼接优化。
2. 2. 多模态支持：图文表公式一体化提取。
3. 3. 跨平台加速：兼容CPU/GPU/NPU/MPS，灵活部署。

缺点

1. 1. 场景局限：复杂布局（杂志/艺术册）、垂直文本支持不足。
2. 2. 硬件门槛：GPU需8GB+显存，NPU需华为Ascend生态。
3. 3. 小语种误差：变音符号或罕见字符OCR可能偏差。

所需硬件资源

• • 最低配置：8GB内存+SSD（CPU模式）。
• • 推荐配置：
• • GPU：RTX 3060+（8GB显存）；
• • NPU：华为Ascend 910B；
• • Apple：M2芯片+16GB内存（禁用公式识别优化性能）。

官方硬件推荐

docling

用途

Docling 是文档处理工具，支持多格式解析（PDF、DOCX、HTML、图片等），重点增强 PDF 的布局、表格、代码、公式理解及 OCR 功能，提供统一文档结构表达，并与 LangChain、LlamaIndex 等 AI 框架集成，助力生成式 AI 应用开发。

优点

1. 1. 多格式支持：覆盖 PDF、DOCX、HTML 等常见格式。
2. 2. 高级 PDF 解析：精准识别布局、表格、公式、图像分类。
3. 3. 本地化执行：支持敏感数据和断网环境。
4. 4. 生态系统集成：无缝对接 LangChain 等 AI 工具链。
5. 5. OCR 能力：有效处理扫描件与图片文本提取。

缺点

1. 1. 复杂结构支持待完善：图表、分子结构等理解功能标注为“即将推出”。
2. 2. 外部模型依赖：需遵守第三方模型许可协议，可能存在版权风险。
3. 3. 实验性功能：部分功能（如 VLM 管道）可能稳定性不足。

所需硬件资源

• • 跨平台支持：macOS/Linux/Windows（x86_64 及 arm64）。
• • 推荐配置：未明确具体需求，但 OCR 与视觉模型可能需中等以上 CPU/GPU 资源，本地执行时需预留存储空间（依赖 HuggingFace 模型缓存）。
• • 轻量场景：基础文档解析可在普通配置运行，复杂任务建议配备 GPU 加速。

然后我deepseek综合对比了下这款产品，各有优缺点，联网竟然没有查到Docling

在线服务TextIn

• • 点击位置1上传文件，上传文件以后先不要执行
• • 点击位置2参数配置
• • 调整完参数点击3

特别注意：它家的速度贼快，第一次没注意配置，上传一个99页的演示稿，直接点击识别，几秒就用了99页的免费额度。

• • 这里1可以设置从哪页开始解析
• • 同时可以设置解析的页数2
• • 如果pdf有密码，可以输入pdf的密码
• • 最重要的是要设置下4 全文识别

• • 可以通过1查看识别出来的表格、公式等是否正确，特别是公式
• • 通过2可以看到整个的识别还是蛮准确的
• • 通过3可以复制出结果
• • 通过4可以导出结果，我们一般用这个
• • 通过5可以对文档进行编辑，目前的识别准确率还是很不错的。

• • 注意分段标识符，1位置使用正则^###(?!#)\s。
• • 2设置把分段长度往长了设置，如果文档不大全文作为整体
• • 3子分段以句号为分隔符