夜雨聆风一、从复制公式乱码说起
上周我写论文参考文献的时候，打开一篇 PDF 论文，想引用一段公式。
选中，复制，粘贴到 Notion——
好家伙，每个换行都变成了一个独立段落，公式变成了方框加乱码，表格里的数据挤成一坨，标题和正文的层级关系全没了。我花了十分钟重新排版，才把那段内容整理好。
说实话，每次从 PDF 里复制内容我都想摔键盘。
这不是个例。学术论文、技术文档、财务报告，PDF 在"展示"上做得很好，但"让你把内容拿出去"这件事，基本是铁板一块。
你遇到过这些场景吗？
从论文里复制公式，粘贴出来全是乱码，只能手动重新敲一遍 LaTeX 把 PDF 表格复制到 Excel，表格结构全乱，合并单元格变成一堆空行 扫描版 PDF 直接就是图片，文字根本选不了 在线 PDF 提取工具，上传文件后担心隐私泄露，免费版还有页数限制
我试过不少解法。Adobe Acrobat 太贵，ABBYY 的识别确实好但价格劝退，开源工具要么只做 OCR 要么只做文本提取，没有一个能一步到位。
后来发现了 PDF-Extract-Kit，试了试，确实比我想象中好不少。
二、PDF 内容提取，为什么这么难？
先说清楚一个问题：为什么 PDF 提取内容这么费劲？
因为 PDF 设计的初衷就不是让你提取内容的。
PDF 的全称是 Portable Document Format，核心目标是"跨平台显示一致"——Windows 上打开一个 PDF，和 Mac 上打开，排版一模一样。为了实现这个目标，PDF 把文字、图片、线条、形状都渲染成固定位置的内容。文字可能被编码成图形路径，表格可能只是画了几条线，公式可能只是嵌入的图片。
不同软件生成的 PDF 格式差异巨大。Word 导出的 PDF 和 LaTeX 编译的 PDF，底层结构完全不同。扫描版 PDF 本质上是图片合集，里面根本没有文字信息。
所以"从 PDF 里提取内容"这件事，本质上是一场逆向工程——你要从一张"已经渲染好的图"里，还原出文字、表格、公式、标题层级这些结构化信息。
现有的方案各有各的问题：
- 在线工具： 方便，但上传敏感文档有隐私风险，免费版限制多
- 付费软件： Adobe Acrobat 和 ABBYY 是好用，但个人用户真的掏那个钱吗？
- 开源方案： 大多只解决单一问题——纯 OCR 只能认文字，纯文本提取遇到公式就歇菜
PDF-Extract-Kit 的解法不一样。 它把 PDF 内容提取的每个环节，都用一个专业模型去处理，然后模块化组合，按需使用。
三、PDF-Extract-Kit 是什么？
PDF-Extract-Kit 是由 OpenDataLab（上海 AI 实验室） 开发的开源 PDF 内容提取工具箱。GitHub 上目前有 10k+ Star。
项目地址：https://github.com/opendatalab/PDF-Extract-Kit
它能做的比"读取 PDF"多得多：把 PDF 里的文字、表格、公式、图片都提取出来，是一个模块化工具箱。
设计思路是：PDF 内容提取太复杂了，没有任何一个模型能同时做好所有事情。所以把整个过程拆成几个独立环节，每个环节用该领域最成熟的模型去处理：
你可以只用来做公式识别，也可以串联所有模块做全量提取。每个模块可以独立使用，也可以组合使用。
四、五大核心能力逐个看
4.1 布局检测：让模型看懂 PDF 的"骨架"
布局检测是 PDF-Extract-Kit 的第一步，也是最关键的一步。
DocLayout-YOLO 模型会对 PDF 页面做语义分割——不只是把整页扫成一张图，而是识别出每个区域是什么类型：标题、正文、图片、表格、公式、页眉页脚、页码。
对于标准排版的论文，标题/正文/公式/图片的边界识别很准确。后续的 OCR 和公式识别可以"按区域处理"——不会把标题里的文字当成正文，也不会把表格里的数字当成普通文本。
4.2 公式检测 + 公式识别：论文党的福音
这是我觉得 PDF-Extract-Kit 最大的亮点。
公式检测（YOLOv8） 负责定位 PDF 中的公式位置，区分行内公式和独立公式。公式识别（UniMERNet） 负责把公式图像转成 LaTeX 源码。
什么意思呢？你选中论文里的一个公式，工具把它识别出来，然后输出 LaTeX 代码——你直接复制到 Overleaf 里就能编译。
我拿了三篇 arXiv 论文测试，对于标准排版（求和、积分、矩阵、分式等），识别正确率很高。输出的 LaTeX 代码基本可以直接用，只需要微调少量格式。
写论文的时候遇到参考文献里的公式，以前要么手动重新敲一遍 LaTeX，要么截图贴进去。现在一键提取，省下来的时间够写半页正文了。
4.3 OCR：扫描版 PDF 也能提取文字
基于 PaddleOCR 的 OCR 模块，支持中英文混合识别。
对于扫描版 PDF（书籍、历史文档、扫描的合同），OCR 是唯一能把文字提取出来的方式。PaddleOCR 的中文识别能力在开源方案里是第一梯队，英文识别同样不错。
输出结果带有位置信息，可以知道每个文字块在原 PDF 中的坐标——这对后续的阅读顺序排序和段落重组很关键。
4.4 表格识别：PDF 里的表格终于能拿出来了
表格提取一直是 PDF 处理的难点。因为 PDF 里的表格本质上是一堆线条和文字的组合，没有"行"和"列"的概念。
StructEqTable 模型做的事情是：检测表格区域，识别表格结构（行、列、合并单元格），然后按结构输出。
支持三种输出格式：
- LaTeX： 适合学术场景，直接插入论文
- HTML： 适合网页展示
- Markdown： 适合笔记工具（Obsidian、Notion 等）
对于行列规整的简单表格，还原度基本完美。对于复杂表格（多层合并单元格、跨页表格），偶尔会有结构识别错误，但整体可用性已经很高了。
4.5 模块化可组合
这是 PDF-Extract-Kit 的设计亮点。
通过修改配置文件，你可以自由组合不同的模块。比如：
我只想用公式识别，只加载 UniMERNet，不加载其他模块 我要全量提取，串联布局检测 + OCR + 表格识别 + 公式识别 我只要表格，只开表格检测和识别
这种"按需取用"的灵活性，在不同场景下可以避免浪费资源。
五、上手实测：安装、配置、跑起来
下面是我的实际体验。
环境准备
PDF-Extract-Kit 基于 Python 3.10 + PyTorch，安装方式很标准：
1 2 3 conda create -n pdf-extract-kit-1.0 python=3.10conda activate pdf-extract-kit-1.0pip install -r requirements.txt 如果没有 GPU，可以换成 CPU 版本的依赖文件。当然，速度会慢不少。
关于硬件：我的测试环境是 RTX 3060 12GB，处理一页论文 PDF 大约 3-5 秒。如果纯 CPU 跑，一页可能需要 30-60 秒。官方推荐 4GB+ 显存，有显卡的话体验会好很多。
模型权重
安装完依赖后，还需要下载模型权重。模型文件托管在 Hugging Face 和 ModelScope 上，首次使用需要下载，大概几个 GB。下载完成后，在配置文件中指定模型路径即可。
实际运行效果
我测了 5 份不同格式的 PDF 文档：
总结：对于标准排版的文档（论文、报告、技术文档），效果非常出色，可以满足日常使用需求。对于复杂排版和低质量扫描件，效果会有所下降，但整体可用性已经超过了我之前的预期。
不想折腾的替代方案：MinerU
如果你不想手动配置环境、不想调参数、就想把 PDF 变成 Markdown，可以用 MinerU。
MinerU 是 PDF-Extract-Kit 的上层封装，提供一键 PDF 转 Markdown 的能力，背后用的就是 PDF-Extract-Kit 的模型。适合"我想直接用，不想折腾配置"的用户。
但缺点是自定义能力不如直接使用 PDF-Extract-Kit 灵活。如果你需要精细控制每个模块的参数，或者只想用其中的某个功能，还是直接上 PDF-Extract-Kit 更合适。
六、适用场景：谁需要这个工具？
学术研究者
写论文的时候，从参考文献中提取公式和表格数据，这是最直接的应用场景。把公式提取为 LaTeX 代码，直接用到自己的论文里，省去手动敲公式的时间。
数据分析师
从 PDF 报告中提取表格数据，导入 Excel 或 Python 做进一步分析。自动化数据采集流程，告别手动抄数据。
知识管理爱好者
把 PDF 文档转为 Markdown，导入 Obsidian、Notion 等知识库。配合 MinerU 可以实现"PDF 到 Markdown"的一键转换，构建个人知识库的文档输入管道。
内容创作者
从 PDF 中提取引用内容，保留格式和来源。将 PDF 中的图表和文字分类整理，提高创作效率。
适合谁：有 PDF 内容提取需求的技术用户、学术研究者、自动化工作流使用者。
不适合谁：不愿碰命令行的纯小白（建议用 MinerU 代替）、只需要简单文字提取的（建议用在线工具）。
七、诚实地说，它也有局限
部署门槛
需要 conda 环境 + 下载模型权重（几个 GB），对新手有一定门槛。最佳体验需要 GPU（4GB+ 显存），纯 CPU 可以跑但速度慢，不适合批量处理。
复杂文档表现一般
复杂排版（多栏、不规则图文混排）的布局检测偶尔会出错。复杂表格（多层合并单元格、跨页表格）的结构识别偶尔有误。手写体公式的识别准确率远低于印刷体。
不是端到端产品
它是一个工具箱，不是开箱即用的产品。需要一定的技术能力去配置和使用。如果不想折腾，建议用 MinerU。
许可证限制
PDF-Extract-Kit 采用 AGPL-3.0 许可证。商业使用需要谨慎——AGPL 的传染性很强，如果你的项目使用了 AGPL 代码，整个项目可能都需要开源。这部分受影响的包括 YOLO 代码和 PyMuPDF 的许可条款。
个人使用和研究完全免费，但如果你打算在商业项目中使用，务必先了解 AGPL-3.0 的具体条款。
八、写在最后
PDF-Extract-Kit 解决了一个很实际的问题——"从 PDF 里提取内容"这件事，不应该只有付费工具才能做好。
它用模块化的设计，给出了一个灵活、可组合的开源方案。虽然不是零门槛的工具，但对于有技术能力的用户来说，价值是实打实的。
我比较欣赏它的设计思路：不试图用一个模型解决所有问题，而是把 PDF 内容提取这个复杂任务拆解成多个子任务，每个子任务使用该领域最成熟的模型。这种工程化的思维方式，比用一个大模型包打天下要务实得多。
如果你手头有需要处理的 PDF 文档，不妨从官方 GitHub 下载源码，按文档配置环境，找一份你手头的 PDF 试试。尤其是经常处理论文和技术文档的用户，公式识别和表格提取能力，大概率不会让你失望。
项目信息
项目名称：PDF-Extract-Kit GitHub：https://github.com/opendatalab/PDF-Extract-Kit 协议：AGPL-3.0 技术栈：Python 3.10 + PyTorch + YOLO + PaddleOCR + UniMERNet 安装命令： pip install -r requirements.txt当前 Star：10k+ 关联项目：MinerU（PDF 转 Markdown）、UniMERNet（公式识别）、DocLayout-YOLO（布局检测）
互动话题：你平时用什么工具从 PDF 里提取内容？有没有什么好用的方案推荐？有没有被 PDF 坑过的经历？评论区聊聊，我会把好的推荐整理出来分享给大家。
如果你对 PDF-Extract-Kit 的完整配置教程感兴趣，或者在某个场景下测试过它的效果，也欢迎在评论区告诉我。