夜雨聆风学习资料网

ARTICLE · 1374403

PDF 转 Markdown,公式和表格也能保留?这个开源工具值得试试

PDF 转 Markdown,公式和表格也能保留?这个开源工具值得试试

不知道你有没有遇到过这种情况:

想把一篇 PDF 论文整理到笔记里,结果复制出来的文字顺序乱了,表格变成一堆数字,数学公式更是直接乱码。

如果是几十页的论文,手动整理起来相当麻烦。

最近发现一个开源工具,专门解决这类问题。

它叫 Marker,GitHub 上已经有 4 万多颗 Star。

项目地址:https://github.com/datalab-to/marker

不只是提取文字

Marker 的核心功能,是把 PDF 等文档转换成 Markdown、HTML、JSON 等格式,同时尽量保留原有结构。

比如:

  • 多栏排版: 识别双栏论文的阅读顺序,避免文字左右乱串。
  • 数学公式: 将公式转换为 LaTeX 格式,方便后续编辑。
  • 复杂表格: 尝试还原表格的行列结构,而不是简单提取文字。
  • 扫描版 PDF: 支持 OCR 文字识别,图片形式的文档也能处理。
  • 批量转换: 可以一次处理多个文件,适合整理大量资料。

除了 PDF,安装相应依赖后,还支持 Word、PPT、图片和 EPUB 等格式。

有什么实际用途?

我觉得最实用的场景,就是整理论文和搭建个人知识库。

比如你下载了几十篇论文,想统一保存到 Obsidian 等笔记工具中。

直接复制 PDF 内容,容易丢失结构。

使用 Marker,可以先将论文转换为 Markdown,再进行搜索、编辑、整理,或者交给 AI 做进一步分析。

尤其对于包含大量数学公式、表格和双栏排版的学术论文,比单纯复制文字更值得尝试。

不过要注意,它并不能保证每篇论文都完美还原。嵌套表格、复杂版式和低质量扫描件,仍然可能出现识别错误。

怎么使用?

Marker 支持 Windows、macOS 和 Linux,可以在自己的电脑上运行。

安装需要 Python 环境:

pip install marker-pdf

转换单个 PDF:

marker_single example.pdf

也可以启动本地网页界面,在浏览器中上传文档、查看转换效果。

它提供多种运行模式:普通电脑可以使用 fast 模式,有 GPU 的用户可以尝试更高精度的模式。

首次使用需要下载相关模型,因此并不是完全免配置的软件。

值得用吗?

如果只是偶尔提取几段文字,普通 OCR 工具就够了。

但如果你经常阅读论文、整理 PDF 报告,或者需要把大量文档转换成 AI 更容易处理的格式,Marker 值得试试。

它的代码采用 Apache-2.0 许可证,不过部分模型权重有额外授权限制,商业使用前需要核对条款。

项目地址: https://github.com/datalab-to/marker

对于经常和 PDF 打交道的人来说,少花一点时间整理格式,就能多花一点时间处理真正有用的信息。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料