PDF解析,一场与「魔鬼格式」的持久战——最全工具评测与选型指南

pip install PyMuPDFpip install pymupdf4llm# LLM场景专用封装

import pymupdf4llm# 一行代码，PDF秒转Markdownmd_text = pymupdf4llm.to_markdown(”document.pdf”)# 也支持按页分割chunks = pymupdf4llm.to_markdown(”document.pdf”, page_chunks=True)for chunk in chunks: print(f”--- Page {chunk['metadata']['page']} ---”) print(chunk['text'])

import pdfplumberimport pandas as pdwith pdfplumber.open(”report.pdf”) as pdf: page = pdf.pages[0] table = page.extract_table()# 转DataFramedf = pd.DataFrame(table[1:], columns=table[0])# 可视化调试——看着图调参数im = page.to_image()im.draw_rects(page.find_tables())im.save(”debug.png”)

 # 安装警告：需要 Ghostscript + OpenCVpip install camelot-py[cv]

import camelot# Lattice模式：有边框表格（准确率极高）tables = camelot.read_pdf(”report.pdf”, pages=”1-2”, flavor=”lattice”)# Stream模式：无边框表格（基于空格推测）tables = camelot.read_pdf(”report.pdf”, pages=”1”, flavor=”stream”)# 直接用DataFramedf = tables[0].dfprint(f”解析准确率：{tables[0].parsing_report['accuracy']:.2f}%”)# 一键导出多种格式tables.export(”output.csv”, f=”csv”)tables.export(”output.xlsx”, f=”excel”)

import tabula# 一行代码，读取全部表格dfs = tabula.read_pdf(”report.pdf”, pages=”all”, multiple_tables=True)# 一键转CSVtabula.convert_into(”report.pdf”, ”output.csv”,  output_format=”csv”, pages=”all”)

pip install llama-parse

from llama_parse import LlamaParseparser = LlamaParse( result_type=”markdown”,# 直接输出Markdown verbose=True, language=”zh”,# 中文支持)# 同步解析documents = parser.load_data(”annual_report.pdf”)# 或异步解析（推荐大文件）import asyncioasync def parse(): return await parser.aload_data(”annual_report.pdf”)documents = asyncio.run(parse())# 转换为完整Markdownfull_md = ”\n\n”.join([doc.text for doc in documents])with open(”output.md”, ”w”) as f: f.write(full_md)

pip install marker-pdf

from marker.converters.pdf import PdfConverterfrom marker.models import create_model_dictconverter = PdfConverter( artifact_dict=create_model_dict(),)# PDF转Markdownrendered = converter(”document.pdf”)markdown_text = rendered.markdownwith open(”output.md”, ”w”) as f: f.write(markdown_text)

marker document.pdf output.md

pip install ”unstructured[pdf]”

from unstructured.partition.pdf import partition_pdffrom unstructured.chunking.title import chunk_by_title# 高精度模式解析elements = partition_pdf( filename=”document.pdf”, strategy=”hi_res”,# 高精度模式 infer_table_structure=True,# 提取表格结构 include_page_breaks=True, languages=[”eng”, ”zh”],# 多语言)# 表格转HTMLfor el in elements: if el.category == ”Table”: print(el.metadata.text_as_html)# LLM友好的分块处理chunks = chunk_by_title( elements, max_characters=4000, new_after_n_chars=3800, combine_text_under_n_chars=2000,)

精度  ↑  |                        🏆 LlamaParse  |                      💪 Marker  |                 🏭 Unstructured.io  |          📊 Camelot / Tabula  |     🔍 pdfplumber  |  ⚡ PyMuPDF  └————————————————————————→ 速度

graph LR A[PDF文档] --> B{文档类型} B -->|简单文本| C[PyMuPDF → Markdown] B -->|复杂排版| D[LlamaParse/Marker → Markdown] B -->|扫描件| E[OCR + Marker] C --> F[向量化 → 存入向量库] D --> F E --> F

# 推荐：Camelot 为主 + pdfplumber 兜底tables = camelot.read_pdf(”财报.pdf”, flavor=”lattice”)if tables[0].parsing_report['accuracy'] < 80:# 准确率不够，换pdfplumber手动调 with pdfplumber.open(”财报.pdf”) as pdf: table = pdf.pages[0].extract_table()