还在手动啃几百页 PDF?试试这个开源工具

上周帮一个做科研的朋友整理资料，他丢给我一个 347 页的 PDF 论文合集，说"把里面的表格和公式都提取出来，我要建知识库"。

我打开第一页就头大了——双栏排版、密密麻麻的公式、嵌套表格，还有几页是扫描件。这种文档，复制粘贴出来的东西根本没法用，格式全乱，公式变成乱码，表格散成一堆文字。

以前遇到这种情况，我只能要么手动敲，要么用那些在线转换网站，传上去等半天，下载下来发现还是得人工修。

直到前两天我发现了 Marker v2。

以前处理PDF就像这样——乱成一锅粥

Marker v2 是什么？

一句话说清楚：它是一个开源的文档解析工具，能把 PDF、图片、Word、PPT、Excel、HTML 甚至 EPUB 电子书，全部转成结构清晰的 Markdown。

GitHub 上已经 37000+ 星标了，Datalab 团队做的，7 月份刚做了个大版本重写，代号 Marker v2。

支持 90 多种语言，中英文混排完全没问题。

代码开源，Apache 2.0 协议，商用也没问题。

什么格式的文档扔进去，出来的都是干净的Markdown

为什么推荐它而不是别的工具？

市面上的 PDF 转换工具一大堆，我为什么专门说这个？

三个原因：准、快、省。

先说准。Marker v2 在 olmOCR-bench（Allen AI 出的第三方权威基准测试）上拿了 76.0% 的总分，在"原生数字 PDF"这个分类上更是到了 83.5%。同场竞技的 MinerU 拿了 72.7%，Docling 拿了 50.3%。数据摆在这，不多解释。

再说快。同样一块 GPU（B200），Marker v2 每秒处理 2.9 页，MinerU 的管道模式只有 0.54 页/秒。差了 5 倍多。这得益于它的架构设计——多个轻量 CPU Worker 共享一个推理服务器，并发效率拉满。

最后说省。它有三种运行模式，你可以根据自己的硬件和精度需求选：

三种模式，按需选择你的档位

看到没有，就算你没有显卡，纯 CPU 也能跑，每秒 23 页。虽然精度低一些（只提取文本层，不 OCR），但处理大量普通文档够用了。

它到底能干什么？

别被"文档转换"四个字局限了，实际能做的事挺多的：

1. PDF / 图片 → Markdown

这是核心能力。不管是双栏学术论文、扫描件、还是截图，扔进去就出 Markdown。表格保留结构，公式转成 LaTeX，代码块自动识别，连图片都会单独提取出来保存。

2. Word / PPT / Excel → Markdown

对，不只是 PDF。docx、pptx、xlsx 全都支持。你收到一份 PPT 想要里面的文字内容？直接转。一份 Excel 表格想变成 Markdown 格式？也行。

3. 批量处理

如果你有一整个文件夹的文档要转换，一条命令搞定：

marker /path/to/your/folder --output_dir ./output

它会自动遍历文件夹里所有支持的文件，多进程并发处理。单机多显卡的话设置环境变量 VLLM_GPUS=0,1,2,3 就能调用所有 GPU。多台机器的话还支持分片并行。

4. 当 Python 库用

不想用命令行？直接在代码里调：

from marker.converters.pdf import PdfConverter from marker.models import create_model_dict from marker.output import text_from_rendered  converter = PdfConverter(artifact_dict=create_model_dict()) rendered = converter("你的文件.pdf") text, _, images = text_from_rendered(rendered) print(text)  # 这就是转换好的 Markdown 文本

5. 自带可视化界面

不想写代码也不想敲命令？它有个 Streamlit 写的 GUI，装完之后输入 marker_gui 就能在浏览器里拖拽上传、实时预览结果。

怎么安装？三行命令的事

前提：Python 3.10 以上，装了 PyTorch。

# 基础安装（PDF 转换） pip install marker-pdf  # 完整安装（支持 PDF/图片/Word/PPT/Excel 等） pip install marker-pdf[full]  # 启动可视化界面 pip install -U streamlit streamlit-ace marker_gui

装完就能用。转换单个文件：

marker_single 你的文件.pdf --output_dir ./output

就这么简单。

实际效果怎么样？

我拿那个 347 页的论文集测了一下。

用 balanced 模式（GPU），大概两分钟处理完。输出的 Markdown 里，双栏内容正确合并了阅读顺序，表格基本完整，公式变成了可渲染的 LaTeX 格式，参考文献列表也很规整。

有几页扫描件的 OCR 效果出乎意料的好，Surya OCR 2 这个 6.5 亿参数的模型确实有点东西。

多个Worker共享一个推理服务器，这就是快5倍的秘密

当然也不是完美的。复杂的三线表偶尔会出错，极个别数学符号识别有偏差。但跟以前用过的工具比，已经好太多了。而且它还在快速迭代，7 月才发布 v2，9 月已经在持续更新 bug 和优化。

谁适合用？

我觉得这几类人可以重点关注：

做学术/科研的 —— 论文、报告批量转 Markdown，建知识库、喂 RAG，效率直接翻倍

搞 AI 开发的 —— 训练数据预处理、文档向量化，它是很好的上游工具

需要归档大量文档的 —— 合同、报告、手册，统一转成结构化文本方便检索

纯粹想偷懒的 —— 别手动复制粘贴了，让机器干这活

最后说句实在话

工具再好，也是拿来用的，不是拿来收藏的。

如果你手头正好有一堆 PDF 要处理，今天就可以装一下试试。三行命令，五分钟上手，不好用你再卸掉也不亏。

 🔗 github.com/datalab-to/marker 

点个 star 支持一下开源作者

觉得有用的话，收藏起来，下次遇到 PDF 转换的需求翻出来照着做就行。