ARTICLE · 1194984

三款文档数字化工具横评:MinerU、pdf-book-ocr、somark-book-epub 到底怎么选?

发布时间：2026-10-16 20:28:17 最近访问：2026-10-16 20:28:18

这是最近使用AI得到的个人经验，仅供参考

把扫描件、PDF 变成可编辑的 Markdown 或电子书，这三款工具最近很火。但它们定位完全不同——很多人以为是同类竞品，其实赛道都不一样。本文一次讲清：核心区别、输出格式、页数上限，以及图片扫描件该用谁。

一、三句话定位

MinerU：通用文档解析器，把 PDF / 图片 / Office 等 14+ 种格式"解析成 Markdown 供分析"，是给 Agent 用的文档阅读器。

pdf-book-ocr：长篇图书数字化流水线，把整本书做成出版级 EPUB 3 电子书 + Obsidian Markdown 笔记。

somark-book-epub：pdf-book-ocr 的迭代版，同样做"书 → EPUB 3 + Markdown 笔记"，但换用了 SoMark 云端 OCR 并强化了语义章节切片。

一句话：MinerU 是"文档→MD 格式工厂"；后两者是"书→可读书"的出书流水线。

二、核心差异全景对比

维度	MinerU	pdf-book-ocr	somark-book-epub
定位	通用文档解析器（Agent 文档阅读器）	长篇图书数字化 → 出版级 EPUB 3	长篇图书数字化 → 出版级 EPUB 3（迭代版）
输入	PDF / 图片 / Word / PPT / Excel / EPUB 等 14+ 格式	长篇 PDF（扫描件或数字版，100–500+ 页）	长篇 PDF（同上）
OCR 引擎	本地模型（ONNX/Torch + VLM），可离线，隐私优先	多模态大模型 subagent（Gemini / Claude / GPT-4o）	SoMark 云端 OCR API（4 QPS，约 13 秒 / 15 页）
核心输出	Markdown（9 种渲染目标之一）+ JSON / 图片	EPUB 3 + Obsidian Markdown 笔记 + images/	EPUB 3 + Obsidian Markdown 笔记 + images/
切片逻辑	按页 / 块续读（locator）	固定 10–15 页物理切片	语义篇章切片（按书签 / 目录对齐章节）
适用场景	任意文档 → MD，做分析 / RAG / Agent 读取	一整本书 → 可读书 + 笔记	一整本书 → 可读书 + 笔记（更强调章节保真）

两个 Joffoo 工具的关系：同源作者。somark-book-epub（2026-10）是 pdf-book-ocr（2026-09）的演进版——把 OCR 后端从"多模态大模型 subagent"换成"SoMark 云端 OCR API"，并把切片从"固定页数"升级为"语义篇章对齐"。目标基本一致，后端与切片策略不同。

三、输出格式：一个做"格式工厂"，两个做"出书流水线"

工具	输出格式	说明
MinerU	Markdown、HTML、LaTeX、DOCX、EPUB、PDF、Structured Content、Content List V1/V2（共 9 种）	统一文档模型，9 选 1 渲染；CLI 还可输出 JSON 与图片
pdf-book-ocr	《书名》.epub + 《书名》.md + images/	主成品是 EPUB 3，Markdown 是笔记，图片单独落盘
somark-book-epub	《书名》.epub + 《书名》.md + images/	同上；额外强调 EPUB 3 双向弹框脚注与 MathML

关键差异：MinerU 是"格式工厂"——一份源文档可渲染成 9 种目标格式中的任意一种，Markdown 只是其中之一。两个 Joffoo 工具 输出形态固定：EPUB 3 + Markdown 笔记 + 图片三件套，不做 HTML / DOCX / LaTeX 等泛化渲染。

四、单次处理页数：都没有硬性上限

三者都不存在传统意义的"单次硬性页数上限"——都专为长篇图书（100–500+ 页）设计，靠内部切片 + 续读规避单批限制。

工具	单次工作单元	上限说明
pdf-book-ocr	1 个切片 chunk = 10–15 页（默认 15，可 `--chunk-size N` 调）	每 chunk 派一个 subagent 转写；整本书靠批量切片循环，无总页数硬上限
somark-book-epub	1 个语义篇章 part（示例约 15 页 / 约 13 秒）	受 SoMark API 4 QPS 与配额约束，断点续跑；无总页数硬上限
MinerU	按页 / 块续读，单 call 内容预算由 `--limit`（如 12000 字符）控制	无固定页数上限；靠 locator 逐页 / 块续读，四档 tier 影响单批解析量

要点：pdf-book-ocr / somark-book-epub 的"单次"指一个切片 / 篇章（约 15 页），但工程本身可跑完整本 500+ 页书；MinerU 本就是按页 / 块流式读取。丢一本 300 页扫描书进去——都不会超限。

五、图片扫描件该选谁

1. 单张 / 少量扫描图、只要干净 MD、离线免费 → MinerU直接 mineru parse scan.jpg -o scan.md，本地模型跑，不花 API 钱；对图片输入原生支持，无需先合成 PDF。

2. 整本扫描书（100+ 页）要做成可读书 EPUB → somark-book-epubSoMark 是专用 OCR 云端 API，15 页 ≈ 13 秒，章节结构保真最好；比 vision-LLM 路线更准更快（需配额预算）。

3. 整本扫描书、想走 vision-LLM 路线（已有 Gemini / Claude key）→ pdf-book-ocr用多模态大模型 subagent 转写，灵活但对纯文字页成本偏高、保真略逊专用 OCR。

4. 本地离线 skill 集成（已有 DeepSeek-OCR / PaddleOCR）→ 用本地 OCR 链路纯图像扫描件，专用 OCR 引擎（本地）在准确率与成本上普遍优于 vision-LLM 路线。

一句话结论：零散扫描图 / 要 MD → MinerU；整本扫描书要 EPUB → somark-book-epub；离线自有链路 → DeepSeek-OCR + PaddleOCR。对纯图像扫描件，不推荐把 pdf-book-ocr 的 vision-LLM 路线作为首选。

六、一张表搞定选型

你的场景	推荐工具	原因
零散图片 / 几页扫描，只要 MD	MinerU	本地离线、免费、直接出 MD
整本扫描书 → 可读书 EPUB（有云端预算）	somark-book-epub	SoMark 专用 OCR 最快最准、章节结构好
整本扫描书 → 可读书 EPUB（偏好 vision-LLM）	pdf-book-ocr	多模态大模型 subagent，灵活
任意文档做分析 / RAG / Agent 读取	MinerU	14+ 格式、9 种渲染、续读 locator
本地离线厚书、不依赖云端配额	MinerU 本地模型 / DeepSeek-OCR + PaddleOCR	隐私优先、零 API 成本

七、总结

· 三者不是同类竞品：MinerU 是通用"文档→Markdown 格式工厂"；pdf-book-ocr 与 somark-book-epub 是"书→EPUB 3 + 笔记"的出书流水线。

· 输出上：MinerU 给 9 种格式任选；两个 Joffoo 工具给固定的 EPUB 3 + MD 笔记 + 图片三件套。

· 页数上：都没有硬性上限，靠分块 / 续读吃下 500+ 页长篇。

· 图片扫描件：零散图用 MinerU，整本书用 somark-book-epub，离线自有链路用 DeepSeek-OCR / PaddleOCR。

选工具的本质，是先想清你要的是"一份 Markdown"还是"一本可读书"。

本文对比基于各项目官方 README（MinerU 4.0、pdf-book-ocr、somark-book-epub）整理，参数以你本地运行版本为准。

这是最近尝试基础性接触AI得到的个人心得总结，仅供参考。

欢迎留言与我方交流探讨学习。

目录