夜雨聆风学习资料网

ARTICLE · 1215167

老板让你把 100 份 PDF 报告变成可编辑 Markdown?手动抄 1 周,这个 40k star 的开源工具 10 分钟搞定

发布时间：2026-10-20 11:33:32 最近访问：2026-10-20 11:34:07
老板让你把 100 份 PDF 报告变成可编辑 Markdown?手动抄 1 周,这个 40k star 的开源工具 10 分钟搞定

老板甩你 100 份 PDF 报告:"明天把内容整理到我们 wiki 上,Word 排版好。"

你手动抄?一周过去了,还在抄第 30 份。眼睛花了,Ctrl+C/V 键位快磨平了。

GitHub 40,406 star 的 datalab-to/marker 给出了解法:

PDF / image / PPTX / DOCX / XLSX / HTML / EPUB → markdown / JSON / chunks — 76% 综合准确率 / 83.5% 数字 PDF(olmocr-bench 第三方基准),超过 MinerU + docling,Apache-2.0 随便商用。

100 份 PDF → 10 分钟跑完 → 拿到结构化 markdown + JSON。今天拆给你看。

datalab-to/marker(作者 VikParuchuri,也是 Surya OCR / Chandra 创始人)是个 Python 文档解析框架。

核心能力(README 自述):

  • • 支持格式:PDF + image + PPTX + DOCX + XLSX + HTML + EPUB(全语言)
  • • 输出格式:markdown / JSON / HTML / chunks(供 RAG 检索)
  • • 保留元素:表格 / 公式 / 内联数学 / 链接 / 引用 / 代码块 / 图片
  • • 清理:自动去页眉页脚 / 杂乱水印
  • • 可扩展:你可以加自己的 formatter 和 processor
  • • 可加 LLM 提精度:接 Claude / GPT / Gemini / Ollama(本地)都行

2 行代码起步:

pip install marker-pdfmarker_single file.pdf  # 跑完输出 file.md + file/

40,406 star / 2,921 fork / 3 年前创建 / Apache-2.0 / Python / 3 modes(balanced / fast / fast-no-OCR)——完全能装在雷哥机器上,离线也能跑。

痛点深扒:为什么 PDF 这么难转

3 个真实痛点(几乎每个知识工作者都遇到过):

1. 选 Adobe Acrobat Pro?

  • • 收费 $20/月(个人版)+ $25/月(团队版)
  • • 不擅长结构化输出——导出的 Word 还是 Word,你要 markdown 它不懂
  • • 不开源——批量处理要写 VBA 宏或 PDF API,踩坑多
  • • 闭源,企业内部审计、合规、二次开发都受限

2. 选 Google Document AI / Nanonets / Textract?

  • • 按量计费——$1.50 / 1000 页
  • • 100 份 PDF × 平均 30 页 = 3000 页 = $4.5 ——看着便宜,量大了就贵
  • • 数据上云——客户合同 / 内部报告 / 隐私文档,过云你心里能踏实?
  • • 锁定 API——想换 provider 难

3. 选免费在线工具(Smallpdf / iLovePDF)?

  • • 数据上云 + 隐私条款含糊——文档可能被存
  • • 转换质量参差——表格 / 公式 / 多列布局经常乱
  • • 不能批量——100 份一份份点,重复劳动 = 零效率
  • • 不能定制——你想加 LLM 提精度 / 改输出格式?做梦

根本问题:大多数 PDF 工具是给"人看"设计的,不是给"机器处理"设计的——表格丢失 / 公式变图片 / 章节顺序乱。

Marker 的解法:用 ML 模型 + Surya OCR 读 PDF 的 layout 层(文字 / 表格 / 公式 / 多列各归各位),输出结构化 markdown。Apache-2.0 + Python——你要怎么改怎么改。

实测基准:76% 准确率什么概念

这是 Marker 最硬的钩子。olmocr-bench(Allen AI 出的第三方公开基准,1403 PDF,8400+ 单元测试,覆盖数学/表格/多列/扫描/边界 case):

System
Overall
数字 PDF
Throughput*
Chandra 2
(Datalab 自家 hosted)
85.8
—
—
Gemini Flash 3.5
(API)
76.4
79.1
—
Marker — balanced
(GPU)
76.083.52.9 pg/s
MinerU — pipeline(GPU)
72.7
83.3
0.54 pg/s
Marker — fast
(GPU)
66.6
71.6
7.4 pg/s
docling(GPU)
50.3
64.0
2.1 pg/s
Marker — fast, no OCR
(CPU)
43.6
55.8
23.7 pg/s
liteparse(CPU)
22.4
27.3
8.9 pg/s

* Throughput 是单 B200 主机并发页/秒(不是单流延迟)

关键数字:

  • • Marker balanced 76.0% overall / 83.5% 数字 PDF — apples-to-apples 同口径下,准确率最高 + 速度快 5 倍(2.9 vs 0.54 pg/s vs MinerU)
  • • Marker fast 66.6% / 7.4 pg/s — 量大时真能 scale
  • • Marker fast no-OCR(CPU) 43.6% / 23.7 pg/s — 没 GPU 也能跑,2.5 万字 / 秒

对比 Adobe:Adobe 根本不参加这种基准——它的卖点是"PDF 编辑"不是"PDF 解析"。Marker 跟 docling / MinerU 一样是"AI 文档解析",准确率比 docling 高 50%,快 1.4×。

对比 Gemini Flash 3.5(API):Marker balanced 76.0 vs Gemini 76.4 — 几乎打平!但 Marker 离线 / 免费 / 商用 / 数据不出门——Gemini 要钱 + 上传数据。

5 分钟上手(从 0 到批量转换)

前置:Python 3.10+ + PyTorch(2 行命令搞定)

Step 1:装

pip install marker-pdf# 想支持 PDF 之外的格式(PPTX/DOCX/XLSX/HTML/EPUB)pip install marker-pdf[full]# 想用本地小模型(必装 llama.cpp,Apple Silicon/CPU 友好)brew install llama.cpp  # macOS# Linux:从 https://github.com/ggml-org/llama.cpp/releases 下

Step 2:转 1 个文件(2 行命令)

# 基础用法marker_single report.pdf# → 输出:report.md + report/ 目录(图片)# → 准确率:默认 balanced mode(76%)# 想加 LLM 提精度(准确率再涨 5-10%)GOOGLE_API_KEY=your-key marker_single report.pdf --use_llm# 默认用 gemini-3.5-flash

Step 3:批量转 100 份(2 行命令)

# 整个文件夹marker_convert_folder reports/ --workers 4# → 4 个 worker 并行,GPU 上一晚上 1000 份都没问题

就这么简单。100 份 PDF × 平均 30 页 = 3000 页:

  • • balanced mode + 1 张 GPU:~17 分钟(3000 / 2.9 pg/s ≈ 17min)
  • • fast mode + 1 张 GPU:~7 分钟(3000 / 7.4 pg/s ≈ 7min)
  • • fast no-OCR + CPU 笔记本:~2 分钟(3000 / 23.7 pg/s ≈ 2min)——0 GPU 都能搞定

Step 4(可选):Python API 集成

from marker.converters.pdf import PdfConverterfrom marker.models import create_model_dictfrom marker.output import text_from_renderedconverter = PdfConverter(artifact_dict=create_model_dict())rendered = converter("report.pdf")text, _, images = text_from_rendered(rendered)# → 拿到 markdown 文本 + 提取的图片(可嵌入 wiki / 喂 RAG)

Step 5(可选):开 API server(团队用)

pip install -U uvicorn fastapi python-multipartmarker_server --port 8001# → 团队成员 POST PDF 拿 JSON,集成到你们的 pipeline

高级玩法:加 LLM 提精度 / 离线 / 商用

3 个让 Marker 真正值钱的玩法:

A. 加 LLM 提精度(--use_llm)

默认 balanced mode 76%——数学公式 / 跨页表格 / 表单数据可能错。加 LLM 后:

  • • 跨页表格合并
  • • 公式重新渲染
  • • 表格结构修正
  • • 表单值抽取

支持 7 家 LLM(你任选):

  • • Gemini(默认 gemini-3.5-flash)— 最便宜
  • • Claude(--llm_service=...ClaudeService + --claude_api_key)
  • • OpenAI / Azure OpenAI / OpenRouter(模型最齐)
  • • Google Vertex(比 Gemini API 更稳)
  • • Ollama(本地模型!数据不出门)

说人话:你手头有 Claude / Kimi / Qwen / DeepSeek 任意 key 都能挂上去,不锁定 Datalab。

B. 完全离线 / 私有化部署

  • • 不传云端 — 文件全在本地机器 / 内网服务器
  • • 国内合规 — 政府 / 金融 / 法律 / 医疗 / 客户合同都能处理
  • • 
  • 3 种 mode 都支持
  • :
    • • balanced:GPU + 76% 准确率
    • • fast:GPU + 66.6% 准确率,7.4 pg/s
    • • fast no-OCR:CPU 笔记本,43.6% 准确率,23.7 pg/s

C. Apache-2.0 + 模型 Open Rail-M 双重许可

  • • 代码:Apache 2.0(随便商用,随便改,闭源分发都行)
  • • 模型权重:Open Rail-M(研究 / 个人 / 融资<$5M 的 startup 全免费)
  • • 商业用超过 $5M:去 https://www.datalab.to/pricing 看 license

翻译:99% 的人都能免费用——个人 / 中小企业 / 自媒体 / 公众号作者 / 学生 / 自由职业者,全部 Apache-2.0 自由用。

适合谁 + 局限

适合用 Marker 的人

  • • 上班族 / 顾问 / 咨询师 — 老板丢 100 份 PDF 报告,Marker 批量转 markdown
  • • 学术 / 研究者 — 论文 / 教材 / 报告 / 综述数字化,喂 RAG
  • • 产品经理 / 设计师 — PRD / 客户需求文档 / 竞品分析,转 markdown 进 Notion
  • • 法律 / 金融 / 审计 — 合同 / 财报 / 合规文件,本地离线处理
  • • 自媒体 / 公众号作者 — 资料整理 / 引用消化 / 二创素材
  • • K12 / 大学老师 — 教学资料 / 课件 / 试卷数字化
  • • AI 工程师 — RAG 知识库构建 / 多模态数据预处理
  • • 任何被 PDF 折磨过的人

Marker 还不够好的地方(坦率说)

  • • 复杂 PDF 仍需校对 — 76% 准确率 ≠ 100%,关键数据(数字 / 名字)仍要二次确认
  • • 扫描件/低分辨率 PDF 准确率下降 — 用 force_ocr 标志重 OCR
  • • 中文长文档 — olmocr-bench 主要是英文 / 数学,中文 PDF 准确率没官方基准(我估测 70-80%)
  • • 首次安装要下模型 — Surya OCR 模型 ~1GB,下载慢可能卡
  • • GPU 强 — 76% 准确率依赖 GPU;CPU 跑 fast no-OCR 模式掉到 43.6%
  • • 依赖 ffmpeg — 装 ffmpeg 必装

真实成本

方案
软件
模型
AI 调用
单 PDF
A. Marker fast no-OCR,本地 CPU
$0
$0
$0
$0
B. Marker balanced,本地 GPU
$0
$0
$0
$0
C. Marker balanced + Gemini(提精度)
$0
$0
~$0.005/页
$0.15/30 页
D. Datalab 托管 API
—
订阅制
—
$5 试用额度起

底线:100 份 PDF × 30 页 = 3000 页:

  • • 方案 A(CPU + 0 准确率打折):$0,2 分钟**(但 43.6% 准确率)
  • • 方案 B(GPU + 76%):$0,17 分钟**(你本机有 GPU)
  • • 方案 C(GPU + Gemini):$1.50 总成本,17 分钟**
  • • vs Adobe 手动抄:你 1 周工时 = $0 但精神损失 $1 万

写在最后

datalab-to/marker 让我喜欢的是它没有发明新概念——它只是把"PDF 解析"这件事做到了 76% 准确率 + 开源 + 离线 + 商用免费 + 可加 LLM。Adobe 收费 $20/月,Google Document AI 按量收费,Marker Apache-2.0 随便用。

它的作者 VikParuchuri 同时维护 Surya OCR(底层 OCR 引擎)+ Chandra(自家更强的 VLM 模型),整个 Datalab 团队就死磕文档 AI 这一件事——所以 3 年下来能做出 76% 这个 SOTA 准确率,Apache-2.0 开源让你白嫖。

3 个建议:

  1. 1. pip install marker-pdf 先试一个文件 — 5 分钟就知道这玩意儿能不能替代你手头的活
  2. 2. 100 份批量跑 marker_convert_folder — 加 --workers 4 4 张 GPU 并行,17 分钟出 3000 页
  3. 3. 要准 + 不差钱就挂 Claude / Gemini — --use_llm 标志,准确率再涨 5-10%

跟之前系列组合看:

  • • impeccable = 网页别让 AI 撞脸
  • • OpenMontage = 视频别让 AI 烧钱
  • • PPT Master = deck 别让 AI 生成图片
  • • Marker = PDF 别让 AI 抄 1 周——10 分钟跑完
  • • 四件套 = 2026 年"AI 内容处理"完整工具栈

项目地址:https://github.com/datalab-to/marker托管版本 + $5 试用:https://www.datalab.toBenchmark 详情:olmocr-bench

相关学习资料