夜雨聆风3款PDF解析器横测：10篇论文谁更稳？
科研效率工具实测 · PDF 解析篇
Docling、MinerU 和 Marker，到底谁更适合把论文喂给 AI？
下载论文很容易，把论文真正变成 AI 能读的材料却没那么简单。
双栏排版会打乱阅读顺序，公式可能直接消失，跨行表格容易变形；等你想核对原文时，又发现 Markdown 里没有页码。看起来只是“PDF 转 Markdown”，实际是在同时处理版面、OCR、公式、表格和引用关系。
所以这次我没有继续整理功能列表，而是把同一批 10 份科研 PDF 交给Docling、MinerU 和 Marker：在同一台 MacBook Air 上逐篇运行，看它们分别在哪些地方赢，哪些地方会让人返工。
先给结论：没有总冠军。
想要更快、更干净的通用 Markdown：先试 Docling； 公式和复杂表格优先：更值得先试 MinerU； 想保留页码锚点、方便回到原文：Marker 最突出； 扫描件和复杂论文不要只看平均速度，它们会制造非常明显的长尾。
这也是本文最重要的判断：选 PDF 解析器，不能只问“识别准不准”，要先问你准备拿结果做什么。
先说清楚：三款工具在做什么？
普通 PDF 阅读器看到的是一张页面；RAG、知识库和 AI Agent 更希望得到结构化内容：标题是标题，段落顺序正确，公式能用 LaTeX 表达，表格仍是表格，图片和页码还能追溯。
三款工具的共同目标，都是把 PDF 还原成更适合机器处理的格式，但侧重点不同：
这里的“更好”都只指本次固定样本和配置，不代表所有版本、设备和文档类型的永久排名。
我怎么测的？
测试材料
样本不是随手挑一篇论文，而是 9 篇公开论文加 1 份可控扫描件：
Attention Is All You Need Deep Residual Learning for Image Recognition Robust Speech Recognition via Large-Scale Weak Supervision BERT GPT-4 Technical Report Docling Technical Report Nougat Table Transformer / PubTables-1M LayoutLMv3 将 Attention 前 3 页转成图片后重新生成的扫描版 PDF
前 9 篇各取前 6 页，扫描件取 3 页，共57 页。样本里同时有双栏正文、数学公式、普通表格、复杂表头、图片和扫描 OCR。
环境与公平性
设备：MacBook Air，Apple M2，24 GB 内存； 系统：macOS 26.6.2，arm64； Python：3.12.13； 版本：Docling 2.120.3、MinerU 3.4.5、Marker 2.0.0； 为降低设备后端差异，三者都按 CPU 路径运行； 每篇论文单独启动一次命令，累计墙钟时间；模型已下载，计时不含首次下载； Docling 使用默认转换能力，没有默认开启代价较高的公式增强；MinerU 开启公式与表格；Marker 使用 fast 模式。
这不是学术级准确率 Benchmark。我没有为 57 页制作逐字符人工真值，因此不把“出现了多少公式标记”冒充准确率。结果分为两部分：可以精确复核的运行时间与成功情况，以及对公式、表格、页码和阅读顺序的人工检查。
第一轮结果：Docling 快，但速度不是全部
三款工具逐篇处理 10 份 PDF 都成功。累计时间如下：
Docling 还支持把多文档放进同一条转换流程。本次批量运行 10 份样本耗时 89.8 秒，比逐篇启动的 121.4 秒更快。不过，为了避免“一个工具批量、另两个工具逐篇”的口径混用，正文主表仍采用逐篇累计数据。
Marker 的平均数尤其容易误导：它处理几份文本层完整的 PDF 只用了约 1～8 秒，但 Nougat 样本用了约 180 秒，扫描件用了约 146 秒。容易的页面很快，触发 OCR 或复杂回退后却会突然变慢，这比一个平均值更值得注意。
公式：MinerU 最积极，Docling 默认最克制
用 Attention 论文检查公式时，差异非常明显。
Docling 默认配置的正文和标题很干净，但没有把关键公式输出成可直接复用的 LaTeX。它并非没有公式能力，只是默认没有打开公式增强。我额外对 Attention 前 6 页启用公式增强，单篇耗时升到约 174 秒，其中日志显示公式增强本身占了约 139 秒。
这说明一个容易被忽略的事实：“支持公式”和“默认就以可接受成本输出公式”是两回事。
MinerU会积极输出 LaTeX，分式、根号、上下标都更容易进入后续知识库。代价是文本偶尔出现字符间距异常或 OCR 小错误，公式仍需要抽查，不能直接当作论文源文件。
Marker也能保留不少公式，而且简单页面输出很快；但在本次 Attention 样本里，部分公式被包进两列表格，复杂表达和表格结构有时互相干扰。
如果你的核心任务是“从数学论文里提取可检索、可复制的公式”，本次结果会让我先选 MinerU；如果公式只是辅助，而你更重视干净段落和速度，Docling 默认模式更省心。
表格：简单表格 Docling 更顺眼，复杂表头 MinerU 更能保结构
我重点查看了 Attention 和 Table Transformer 两组样本。
Docling 把不少规则网格直接整理成可读的 Markdown 表格，列宽和内容关系比较清楚，适合人继续编辑。
MinerU 更倾向输出 HTML 表格。对普通读者来说不如 Markdown 清爽，但 rowspan、colspan 能保留跨行、跨列结构；当论文出现多层表头时，这种表达更有价值。当然，个别单元格仍会有 OCR 错字。
Marker 的简单表格可以使用，但本次复杂表头出现过空列、错位和表头拆散。它不是不能解析表格，而是当“表格结构必须直接进入数据库”时，我不会只依赖一次自动转换。
所以表格也没有一句话答案：
给人读、继续改 Markdown：Docling 更舒服； 复杂合并单元格、后续程序处理：MinerU 更有优势； 真正重要的数据表：三者都要保留原页并安排人工校验。
页码追溯：Marker 赢得最明确
当论文进入 RAG，最危险的不是少一个换行，而是 AI 给出结论后，你无法快速回到证据所在页面。
本次 Marker 输出里保留了大量类似 page-x-y 的锚点，并能在内部引用中指向这些位置。对 10 份输出进行模式统计，共出现868 个页码锚点或锚点引用。同样的 Markdown 输出口径下，Docling 和 MinerU 没有提供这种显式页码锚点。
这个数字不是“准确率”，只说明 Marker 对页级追溯做得更主动。若你要搭建论文问答系统、证据审计或带出处的研究助手，这可能比多识别一个公式更重要。
MinerU 则提供了额外的布局 PDF、span PDF 和中间 JSON，调试版面识别很有帮助；只是最终 Markdown 本身没有 Marker 那样直观的页码锚点。
安装与稳定性：失败记录比成功截图更有用
三个工具都不是“pip 安装完就永远不出问题”。
Docling 在这台 Apple Silicon Mac 上安装和运行最顺，单文档与批量都完成。
MinerU 逐篇运行 10 份样本全部成功，但把整个目录一次性交给批处理时，在页面装配阶段约 72% 处退出。逐篇运行可以绕开问题，也更容易定位是哪一份文档出错。
Marker 2.0.0 在 macOS 上还需要 llama.cpp。没有 llama-server 时，10 份样本只有 4 份在 fast 模式下直接完成，其余在公式、OCR、表格或扫描件回退路径上失败；安装依赖后，10 份才全部通过。
此外还要检查许可。Marker 的代码采用 Apache 2.0，但其 README 对模型权重另有许可和商业使用说明。**代码开源不等于配套权重可以无条件用于所有商业场景。**真正上线前，应重新核对你所用版本的官方条款。
到底该怎么选？
如果你不想同时维护三套环境，可以按目标做第一轮筛选：
1. 论文转 Markdown，准备交给人读或交给大模型总结
先试Docling。输出干净、速度稳定，普通双栏论文的阅读顺序也较自然。遇到公式密集文档，再决定是否启用增强或切换工具。
2. 数学、物理、计算机论文，公式和复杂表格是核心资产
先试MinerU。它更愿意输出 LaTeX 和结构化 HTML 表格，但要接受更慢的速度，并对 OCR 与公式做抽查。
3. 要做可追溯的 RAG 或论文证据库
先试Marker，尤其关注页码锚点；同时准备好 macOS 依赖、长尾耗时和模型权重许可检查。
4. 真正重要的科研资料
不要押宝单一路径。更实用的方案是：
先用 Docling 做快速通用转换； 检测到公式密集页或复杂表格时，路由给 MinerU； 需要引用审计时，保留 Marker 页码锚点或自行写入页级元数据； 所有抽取块保留 document_id + page + bbox，让答案可以回到原 PDF。
这也是我做完测试后的最终建议：把解析器当成流水线里的不同工位，而不是互斥的信仰选择。
这次测试的边界
只有 10 份样本、57 页，不能覆盖中文古籍、专利、财报和手写文档； 使用 Apple M2 CPU，不能代表 NVIDIA GPU 或云端高配机器； 没有逐字符真值，因此没有给出虚假的综合准确率； 版本、默认模型和硬件后端变化，都可能改变结果； 速度包含每篇命令启动与模型加载，适合个人批处理视角，不等同于常驻服务吞吐量。
但它足以回答一个实际问题：科研 PDF 解析没有“闭眼选一个”的答案。你越在乎公式、复杂表格和证据追溯，就越应该把失败页面和中间产物留在流程里。
下一轮你更想看哪一种：**中文学位论文、专利 PDF、扫描版教材，还是把三款工具接进同一个本地 RAG？**欢迎留言，我会按需求继续做真实复现。
参考资料
Docling 官方仓库与文档 MinerU 官方仓库与快速开始 Marker 官方仓库与许可说明 Attention Is All You Need Table Transformer / PubTables-1M Docling Technical Report