这份 PDF 转 Markdown 工具，比 pdftotext

给大模型喂论文、整理扫描合同，谁没用过 pdftotext？标题混进正文，表格散成单字，公式直接变乱码。PDF 这格式压根不存“语义”，它只记字符和线条的坐标。

三剪客这份手册讲透的 MinerU，走的是另一条路——重建结构。公式转 LaTeX，表格转 HTML，自动去页眉页脚，连扫描件都能 OCR。它一开始就是给大模型做数据清洗的流水线。

不过想用这条线，得先过三道关。三种后端里，纯 CPU 跑 pipeline 兼容好但精度卡在 86 分；想冲 95 分的高精度，就得上 vlm-engine 或 hybrid-engine。代价是必须配 8GB 以上显存的显卡，没硬件门槛根本跑不起来。

还有几个坑得防着：macOS 千万别走 Docker，慢得离谱；Windows 别装 Python 3.13，直接装不上。最容易被忽略的是许可证，它不是 MIT，商用前必须自己读一遍条款。

说白了，如果你只要一段纯文本，pdftotext 够用了；但要是给 RAG 喂资料，这条线绝对是当下最强的开源选项之一。