VikParuchuri/marker （Star 14.9K）

https://github.com/VikParuchuri/marker?tab=readme-ov-file

• 优点：
  1. 耗时少
  2. 精度高（有ocr·模型·加持）
• 缺点：
  • 需要部署大模型（6个模型）难度大，对硬件要求高。
  • 难以支持高并发处理场景的需求
  • 对计算公式的识别还存在不足

==》注意： 

marker-pdf 和 pdfText版本的搭配
0.2.6 《==》0.3.7

版本不高，很多特性缺失，如果要升级，需要重新核对插件的兼容的版本号。

测试机器带不动～

breezedeus/Pix2Text （Star 1.7K）

• 优点：
  1. 支持表格、图片、文本、公式，解析能力很强。
  2. 有ocr·模型版本加持。
  3. Pix2Text V1.1 则带来了完整的版面恢复能力
• 缺点：
  1. 需要部署大模型（5种模型）难度大，对硬件要求高。
  2. 难以支持高并发处理场景的需求。

• 版面分析模型：breezedeus/pix2text-layout （国内地址）。
• 表格识别模型：breezedeus/pix2text-table-rec （国内地址）。
• 文字识别引擎：支持 80+ 种语言，如英文、简体中文、繁体中文、越南语等。其中，英文和简体中文识别使用的是开源 OCR 工具 CnOCR ，其他语言的识别使用的是开源 OCR 工具 EasyOCR 。
• 数学公式检测模型（MFD）：来自 CnSTD 的数学公式检测模型（MFD）。
• 数学公式识别模型（MFR）

https://github.com/opendatalab/PDF-Extract-Kit

• 优点：
  1. 解析能力强（模型加持）：检测->识别->......
  2. 支持OCR-模型版本
• 缺陷：
  1. 需要部署大模型（5种模型）难度大，对硬件要求高。
  2. 难以支持高并发处理场景的需求。

lxulxu / pdf-to-markdown  （Star 44）

• 优点：
  • 相比上面的模型的方式，相对简单，开源者也未多说明。
•  缺点：
  1. 仅支持中英文（由于PyMuPDF存在问题偶尔会出现乱码）
  2. 仅支持单栏布局
  3. 不支持页眉和页脚
  4. 不支持各种文本样式（包括颜色、加粗、斜体等）

通过PyMuPDF和PADDLE OCR提取PDF中文本、图片和表格创建markdown，基于Python 3.10 64-bit。

安装依赖

1. 安装PaddlePaddle，参考Pip 安装-使用文档-PaddlePaddle深度学习平台

2. pip install -r requirements.txt

命令行参数

可通过python start.py -h查看

• -f:单个文件或文件夹路径，仅支持一级目录

例如python start.py -f samples

限制

• 仅支持中英文（由于PyMuPDF存在问题偶尔会出现乱码）
• 仅支持单栏布局
• 不支持页眉和页脚
• 不支持各种文本样式（包括颜色、加粗、斜体等）

……（其他待发现问题）

pymupdf4llm + pytesseract（ocr）

• 优点：
  1. 组合模式灵活，自由度高。
  2. pymupdf4llm转换MD时可以提取到图片 + 再借助OCR（非模型）能力，可以完整提取到文本内容
  3. ocr可以自由选型
• 缺点：
  1. 表格板式读取不准确，只能提取到文本，没有格式。
  2. OCR提取只能提取到文本，没有版式。
  3. PDF的解析底层还是基于PyMuPDF，偶尔有乱码问题（可以通过设置编码和安装字体进行优化）

PyMuPDF的高级封装版本

目前选用的是免费插件pytesseract，

还有其他基于模型的ocr能力部署难度大，暂不集成，比如：surya-ocr