PDF 喂给 AI 前,先选对解析器:Docling、MinerU、MarkItDown 横评

把费用制度交给 AI，问一句“这笔酒店费能报多少”，看起来很简单。真正容易出错的地方，往往在回答之前：表格的金额与条件有没有对应上？扫描页有没有漏字？“事前审批”是不是被挤到了另一个段落？

今天用同一份中文费用政策，比较三个高关注度 GitHub 项目：Docling、MinerU、MarkItDown。目标是把 PDF 整理成可检查、可引用、能接入 AI 问答的资料。

按本文权重，Docling 综合选型第一，MinerU 第二，MarkItDown 第三。如果你只想批量转换文字型 PDF 和 Office 文件，MarkItDown 的位置会明显不同；本榜把扫描件、表格和来源追溯放在了更重要的位置。

本文是截至 2026 年 10 月 5 日的文档选型评价。三款工具未进行同机运行，没有准确率、速度或内存实测；下文案例是统一验收题，不是已经得到的运行结果。

一、先固定一道题，再谈谁更适合

输入为两页虚构的教学费用政策，包含四条规则：

• 常规差旅酒店上限为 500 元／晚。
• 事前审批通过的会展城市，上限为 650 元／晚。
• 房费含早餐时，不另报早餐。
• 制度自 2026 年 10 月 1 日生效。

问题固定为：“住了两晚，每晚 580 元，能报多少？”

人工验收答案是：实际房费 1,160 元；按常规标准，住宿金额上限为 1,000 元，超出部分 160 元自付。只有存在符合条款的有效事前审批，才可按 650 元标准将住宿实际金额 1,160 元计入；整笔报销仍需核验其他材料。工具不能看到“会展城市”四个字就自动认定符合例外。

可以把上述规则和问题写进 Word 或 WPS，用两列表格记录住宿标准，导出为 policy.pdf。后续实跑时，应另外准备相同内容的扫描版，分别检查各项目对金额、单位、否定词、例外条件、表格行列关系及对应页码的处理。金额算对但适用条件丢了，仍然不能通过验收。

这也解释了 AI 的使用场景：解析器先整理原文，检索程序再找条款，模型根据条款解释，金额用确定的计算规则核对。三款项目本身都不能代替完整的报销审批流程。

二、热度、版本和许可证分开看

以下 Stars 来自 10 月 5 日 GitHub API 快照，后续会变化；版本采用核验时最新正式 Release。Stars 不参与本文评分。

Docling 和 MarkItDown 的代码为 MIT。Docling 明确要求另看实际使用模型的许可，不能把代码许可直接套到全部权重。

MinerU 当前使用 MinerU 自定义许可证：Apache 2.0 加附加条件。按使用者与关联方合并口径，月活超过 1 亿或月总收入超过 2,000 万美元时，需取得单独商业许可；基于它向第三方提供在线服务，还有显著标明使用 MinerU 的义务。它不能被描述成“纯 Apache 2.0、任意商用无限制”。外部模型与依赖也应按所选版本检查。

三、Docling：适合把解析结果继续做成知识库

用途与场景： 企业制度、产品手册、合同资料等，既要读正文和表格，又准备接入检索问答、Agent 或其他应用。

它提供 OCR、表格结构与阅读顺序处理，并用统一的 DoclingDocument 表达文本、表格、图片和文档层级。结果可导出 Markdown 与 JSON；在有相应信息时，结构中还能保留来源与位置，便于回到原页复核。

本例里，Markdown 供人阅读，JSON 留给程序核查表格和来源。把“500 元／晚”所在行与“事前审批”例外段一起交给问答程序，才能避免只搜到一个金额就下结论。

部署入口： 使用 Python 3.10+；建议为每个项目各建一个 Python 3.12 虚拟环境，不将三套依赖混装。以下 Docling 命令在已激活环境中执行：

默认转换入口生成 Markdown。需要留存结构时，Python 接口可取 result.document 再导出 JSON；扫描版要配置适合中文的 OCR，不能因为文件扩展名相同就忽略语言设置。本期主文给出这条路线的详细操作。

优点： 文档结构、来源信息与下游集成连贯，适合从一个文件逐渐走向知识库。支持本地执行，模型可提前下载后离线使用；远程推理服务需另行启用。

限制： 首次运行可能下载模型；扫描质量、跨页表格和复杂阅读顺序仍需检查。导出 JSON 只是保留更多检查依据，不代表提取内容自动正确，更不等于已经建好向量库和问答页面。

四、MinerU：适合复杂 PDF 与可追溯的 Agent 阅读

用途与场景： 扫描文档、表格和公式较多的资料，以及需要按页、按块连续阅读长文档的应用。

4.0 已形成四档解析：Flash 用于原生提取和预览，Basic 用小模型处理 OCR、表格等，Standard 使用小模型与视觉语言模型，Advanced 在同一模型体系上投入更多推理计算。档位代表路线，不是本文验证过的精度等级。

对本例，先用 Basic 检查扫描表格和例外条件；复杂版面再试 Standard。文档库提供稳定的页／块定位与缓存，适合让 Agent 找到“会展审批”原文后继续读相关页。

部署入口： 支持 Python 3.10—3.14，基础包即可开始。当前 4.0 命令与旧版教程不同：

Basic 可在 CPU 上运行，首次使用需准备对应模型。复杂资料可将档位换成 standard，同时准备 VLM 权重；实际内存与速度取决于引擎、文件规模和并发，不能仅凭“支持 CPU”推定普通电脑批量跑得快。

需要可视化操作，可启动本机界面：

随后在浏览器访问 http://127.0.0.1:7860。mineru-kit parse 默认处理全部 PDF 页；另一条文档库命令 mineru parse 默认读取前 10 页，长文需按返回提示继续，不能把两种入口混用。

优点： 解析档位、结构输出、文档库和页块定位比较完整，长文档的后续查询有明确路径。

限制： 引擎与模型组合更多，Standard 的部署准备比纯文本转换更复杂；4.0 还有平台边界，既有 AMD、国产加速卡的旧适配不能直接当作 4.0 承诺。商用条件也要按当前许可重新确认。

五、MarkItDown：适合先把日常文件变成 Markdown

用途与场景： 团队积累了 PDF、Word、Excel、PowerPoint，想用统一 Python 入口做批量清洗，再交给 AI 摘要或检索。

它定位为面向文本分析的轻量转换工具，保留标题、列表、表格与链接等结构。文字型 PDF 的基本路径不需要视觉大模型，适合先做低成本基线。

部署入口： Python 3.10—3.14，在独立环境里只装本例需要的 PDF 依赖：

本例先检查正文中的金额和例外段是否完整，再看表格有没有错列。当前内置 PDF 转换包含文本提取和表格处理，不能简单写成“完全不支持表格”；但它也没有承诺对复杂版面做高保真复刻。

扫描版是另一回事：官方 markitdown-ocr 插件通过视觉模型补 OCR，需要配置 llm_client、模型并启用插件；缺少客户端时，插件会跳过 OCR。接云端模型或 Azure 文档服务可能产生费用，也会改变文档传输范围。若要求全本地，应额外验证所接本地服务的兼容性，不能把默认安装写成完整离线扫描件方案。

优点： 命令简单、格式覆盖广，方便嵌进已有 Python 流程。限制： 本题需要的扫描解析与细粒度来源追溯，往往还要补组件；官方仓库也不是开箱即用的知识库网页应用。

六、公开评分：可以复算，不冒充性能榜

每项按 0—5 分：0＝无支持证据；1＝仅有线索；2＝存在关键缺口；3＝基本可完成但配置或补齐较多；4＝路径完整、少量补齐；5＝该维度所需的能力与使用说明完整。评分衡量文档支持的任务适配，不衡量尚未实测的准确率。

五个维度依次为：扫描／表格路径 30%、本地部署便利 20%、结构与来源追溯 20%、应用集成 20%、代码许可条件 10%。合计 100%，总分＝各项分数×对应权重之和。

Docling 的 OCR／表格路径、统一结构与来源、应用集成各得 5；需准备模型，部署得 4；MIT 代码条件得 5。模型另有许可，代码分数不替它作保证。

MinerU 的扫描路径、页块追溯及 SDK／API 各得 5；多档位与引擎增加准备工作，部署得 3；自定义商业门槛和服务标识条件使代码许可维度得 2。

MarkItDown 基础 PDF 转换安装简单，部署得 5；本题扫描件需补插件／模型，得 2；默认 Markdown 不是统一的页块来源模型，追溯得 2；Python、命令行和插件接入得 4；MIT 代码得 5。

例如 Docling 的总分为 5×30%＋4×20%＋5×20%＋5×20%＋5×10%＝4.80。本榜没有用 Stars 加分，也没有根据未经核验的速度宣传打分。

七、你的任务不同，选择也可以不同

准备长期建设带来源的 AI 知识库，先试 Docling；复杂 PDF 与长文档连续阅读，重点试 MinerU；文字型 PDF、Office 批量转 Markdown，先用 MarkItDown 建基线。

真正上线前，把统一费用政策换成脱敏业务样本，分别记录文字版与扫描版的字段正确性、表格错位、来源定位、冷启动和持续运行耗时。让三家都答同一个问题，再决定是否值得增加模型和部署成本。

对这道报销题，最有用的工具，是能让你看见 “1,000 元常规上限”和“650 元例外需要事前审批”分别来自哪里，并让错误能够被发现和修正。

来源与核验

核验日：2026-10-05。版本、能力与许可依据以下官方资料；安装命令按对应版本文档整理，本文未执行三款工具。

• Docling v2.133.0：功能、安装与代码／模型许可说明
• Docling：统一文档结构
• Docling：模型预下载、离线与远程选项
• MinerU 4.0.10：安装与入口
• MinerU：档位与平台边界
• MinerU：自定义许可全文
• MarkItDown v0.1.8：格式、插件与云服务边界

可复制的资料链接

https://github.com/docling-project/docling/tree/v2.133.0

https://github.com/docling-project/docling/blob/v2.133.0/docs/concepts/docling_document.md

https://github.com/docling-project/docling/blob/v2.133.0/docs/usage/advanced_options.md

https://github.com/opendatalab/MinerU/blob/mineru-4.0.10-released/docs/zh/quick_start/index.md

https://github.com/opendatalab/MinerU/blob/mineru-4.0.10-released/docs/zh/usage/tiers.md

https://github.com/opendatalab/MinerU/blob/mineru-4.0.10-released/LICENSE.md

https://github.com/microsoft/markitdown/tree/v0.1.8