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
2025-05-27
2025年彻底改变我工作流程的10款AI工具
2025-05-27
AI的落地难题、应用案例和生产率悖论
2025-05-27
一句话生成教学视频？我用这个AI做了两节课，效果惊人！（附实操）
2025-05-27
AI领域基础概念(上)
2025-05-27
对话YouMind创始人玉伯：挑战抖音的男人｜100 AI Creators
2025-05-27
在AI愈发强大的世界中，教师应该教什么，学生应该学什么？
2025-05-26
V0做不到、Bolt搞不定，Youware用MCP一键解决网页生成最大难题
2025-05-26
AI Agent迈向中央舞台：深度解析2025年进化新格局
2025-03-06
2024-09-04
2025-01-25
2024-10-30
2024-09-26
2024-09-03
2025-03-12
2024-12-11
2025-02-18
2024-12-25
2025-05-27
2025-05-24
2025-05-23
2025-05-22
2025-05-21
2025-05-21
2025-05-20
2025-05-20
回到顶部
粤ICP备17114055号
