开源PDF解析工具marker 和 MinerU的解析效果对比

RAG中的文档解析需求：需要的是文档的完整段落，标题，图片，表格。我们希望删除的是md格式，或者josn格式。 MinerU 和 maker恰好。都是能够满足此需求的开源工具。这篇文章分享一下对两者的对比。整理出来目前还存在的问题。

MinerU 和  marker

MinerU 是最新的一个PDF解析工具，专门为RAG创作的文档解析工具。可以看看我的这篇文章，对该解析工具的详细介绍。

最新开源的解析效果非常好的PDF解析工具MinerU （pdf2md pdf2json）-CSDN博客

 marker是开源很久的一个PDF解析工具。目前star 14.5k。地址如下：

https://github.com/VikParuchuri/marker

对比效果

我以一篇财报的PDF为例。财报通常比较复杂，包含表格，表格还不规整，还包括图片。

先说一下结论：MinerU 和  marker 是开源PDF文档解析中能够满足RAG的需求的。它们多多少少有一些问题，但是还能接受。其中两者解析段落已经非常准确了。并且maker是能够把表格解析为md结构的。MinerU的版面分析也很准确，表格定位蛮准确。

二者存在的问题，对比效果如下

对比问题1：PDF-Extract-Kit 图片识别错误

原PDF首页

marker 解析正确

PDF-Extract-Kit 将文本块，识别成了图片。

对比问题2：表格识别问题

原PDF

maker把表格转成了md格式

但是表格的标题行识别错误了。

PDF-Extract-Kit 未对表格做处理

保存为图片

对比问题3：目录识别问题

PDF原文件

maker把目录识别成了表格

PDF-Extract-Kit 目录识别正确

对比问题4：标题识别问题

原PDF

maker标题遗漏

PDF-Extract-Kit 识别标题正确

对比问题5：表格解析错误

maker表格转md混乱