当前位置： 首页 > news >正文

OCR、文档解析工具合集

news 2025/8/2 7:07:14

概述

随着AI技术的快速发展，文档解析作为NLP和计算机视觉领域的关键任务，正逐步从传统的规则引擎和启发式方法向深度学习模型演进。
文档解析的目标是将文档中的文本、表格、公式、图像等内容进行结构化识别和语义理解，从而实现信息的高效提取与处理。

ＭinerU

论文，由上海人工智能实验室OpenDataLab团队开源，工业级文档解析+数据提取工具，专注于高效解析复杂文档（如PDF、网页、电子书、扫描图像），并将其转换为结构化的机器可读格式（如Markdown、JSON、HTML）。该项目凭借其强大的多模态解析能力，能够精准识别文本、表格、图片、数学公式（支持LaTeX转换）及复杂排版，并自动去除页眉、页脚、页码等冗余信息，保留原始文档的语义逻辑与结构。支持176种语言识别，兼容CPU/GPU/NPU加速，适用于学术研究、企业数据处理、大模型训练等场景。

官网，中文文档，ModelScope，HuggingFace。

技术架构：集成LayoutLMv3（布局分析）+ YOLOv8（视觉识别），支持Docker和CUDA环境。

功能：

  • 智能过滤页眉/页脚，精准提取PDF正文
  • 支持EPUB/MOBI/DOCX转Markdown/JSON，84种语言
  • 内置UniMERNet模型优化公式识别精度

优缺点：

  • 企业级安全合规，支持API和图形界面，多格式兼容
  • 依赖GPU资源，表格处理速度较慢，配置流程较复杂

功能：

  • 全流程解析引擎：PDF文本提取 → OCR多语言识别 → 文档布局重建 → 公式/表格还原
  • 37种语言混合支持：中/英/日/韩等主流语言全覆盖，特别优化东亚文字排版识别
  • 场景化结构适配：学术论文（参考文献/章节层级）、法律文书（条款编号）、财务报表（跨页表格）均可精准还原

优势

  • 高性能解析引擎
指标性能表现场景价值
GPU吞吐量(4090)>10,000 tokens/s单日处理千页级文档
CPU内存占用最低6GB（纯文本模式）老旧设备可运行
批量处理效率较传统方案提升500%企业级文档自动化处理
  • 极简部署方案
使用方式适用场景操作示例
零安装Web版快速体验/临时需求访问https://mineru.net
命令行工具Linux/macOS/Windows系统集成mineru -p report.pdf -o md
Docker GPU加速生产环境一键部署docker run -gpus all mineru-sglang:latest
  • 开源生态扩展
# 自定义模型路径，加载本地OCR模型
mineru -ocr_model_path ./custom_ppocrv5
  • 核心扩展能力
    • 模型热替换：支持PP-OCRv5、Unimernet等自定义模型
    • 功能模块化：公式解析(-formula True)、表格还原(-table True)独立开关
    • 离线模式：-source local完全断网运行
    • mcp模式：支持mcp，客户端无缝调用

在线体验

  1. 访问https://mineru.net
  2. 拖拽上传，PDF/图片，支持50页批量处理
  3. 选择输出格式：
    • Markdown：适配Obsidian/Notion等笔记工具
    • JSON：便于API二次开发
    • HTML：保留原始视觉样式
  4. 实时预览解析结果，一键导出数据

本地部署

# 基础环境配置
conda create -n mineru python=3.10
pip install "mineru[core]"  # 安装核心包
# 启用SGLANG加速（需NVIDIA显卡）
mineru -p input.pdf -o outputs -b vlm-sglang-client -u http://localhost:30000

硬件配置推荐指南

后端模式GPU要求CPU/内存适用场景
Pipeline (CPU)无需GPU≥16核 / 32GB合同/发票等简单文档
VLM Transformers≥8GB显存 (Turing架构+)≥8核 / 16GB学术论文（含复杂表格）
VLM SGLANG≥8GB显存≥16核 / 32GB100+页医学报告批量处理

2025 V2.0路线图：垂直文本支持（古文献/乐谱）、显存动态回收机制。

markitdown

微软推出的一款开源超强文档转换工具，能将微软Office全家桶文档转换为Markdown格式，还包括PDF、图片、音频、HTML、ZIP（遍历其中内容），URL（直接总结），EPUB电子书等。不是简单的格式转换，能智能识别文档结构，保留原始格式和样式，甚至还能处理表格和图片。

技术架构：集成GPT-4等大模型，支持多格式AI增强转换。

功能：

  • 支持Word/Excel/PPT、图像（OCR）、音频（语音转录）转Markdown
  • 批量处理ZIP文件，可生成图片描述（需OpenAI API）

适用场景：多格式内容创作，如PPT图表转文档、音视频转录场景。

优缺点：

  • 格式支持最全，提供Python API/CLI，开发者友好；
  • 依赖外部API，部分功能需付费模型

安装
pip install 'markitdown[all]'

或

git clone git@github.com:microsoft/markitdown.git
cd markitdown
pip install -e 'packages/markitdown[all]'

Marker

采用Surya模型，基于视觉解析技术的开源OCR工具。

技术架构：基于PyMuPDF（PDF解析）+ Tesseract OCR，支持GPU加速（Surya OCR引擎），轻量化设计。

核心功能：

  • 专注PDF转Markdown，公式自动转LaTeX，图片内嵌保存；
  • OCR识别扫描版PDF，支持多语言文档；
  • 处理速度比同类工具快4倍（实测数据）

适用场景：科研文献、书籍等基础格式转换，适合技术用户快速部署。

优缺点：

  • 轻量化部署、处理速度极快；
  • 复杂布局解析能力弱，依赖本地GPU资源。

安装：

docker pull crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/marker11/marker_images:v0.2
docker run -gpus all -itd -p 7231:7231 -name model_pdf_v2 -e PROCESSES_PER_GPU="2" crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/marker11/marker_images:v0.2

mPLUG-DocOwl 1.5

阿里巴巴mPLUG团队在多模态文档图片理解领域的最新开源工作，在10个文档理解benchmark上达到最优效果，5个数据集上提升超过10个点，部分数据集上超过智谱17.3B的CogAgent，在DocVQA上达到82.2的效果。

站点

  • ModelScope：https://modelscope.cn/studios/iic/mPLUG-DocOwl/
  • HuggingFace：https://huggingface.co/spaces/mPLUG/DocOwl

Mistral OCR

由法国Mistral AI开发的高性能光学字符识别工具，专为处理复杂文档设计，具备高精度解析（支持文本、图像、表格、数学公式等）、多语言识别（覆盖千种语言，准确率达99.02%）、极速处理能力（单节点每分钟2000页）及结构化输出（JSON/Markdown/HTML格式保留原始排版）等核心优势。

目前提供API版本（mistral-ocr-latest），通过开发者平台La Plateforme提供，定价为每1000页1美元。

  • 官方网站：https://mistral.ai/news/mistral-ocr
  • 在线体验地址：https://mistralocr.org/zh-CN/

Got OCR 2.0

一个基于通用OCR理论（General OCR Theory）的统一端到端模型，由StepFun、旷视科技、中国科学院大学和清华大学联合开源，旨在推动OCR进入OCR-2.0时代。该模型具备处理多种类型内容的能力，包括普通文本、数学公式、分子结构、表格、图表、乐谱等，并通过端到端架构、Flash-Attention技术优化以及动态分辨率处理，实现高效识别与格式化输出（如Markdown/LaTeX）。ModelScope

Dolphin

字节跳动开源的轻量级文档解析模型，体积小、速度快，解析效率提升近2倍。

体验地址：http://115.190.42.15:8888/dolphin/

Umi-OCR

开源免费的离线（无需联网）OCR识别工具。

功能：

  • 完全离线运行：所有识别过程均在本地完成，无需上传图片至云端，彻底杜绝数据泄露风险，尤其适合处理敏感文档和隐私信息；
  • 多语言识别支持：不仅完美支持中文（简体/繁体）和英文，还可识别日语、韩语、法语等多种语言，满足跨语言文档处理需求；
  • 高效准确识别：基于PP-OCR v2.6引擎优化，配备cpu_avx_mkl加速，识别速度快且准确率高，复杂背景图片也能精准提取文字；
  • 绿色便携免安装：采用绿色版设计，解压即可使用，无需繁琐安装步骤，不写入系统注册表，占用资源少，兼容Windows全平台；
  • 批量处理能力：支持多图片同时识别，可一次性处理大量文件，并支持将结果导出为纯文本格式，大幅提升办公效率；
  • 实用辅助功能：
    • 快捷键操作，支持截图后自动识别
    • 排除区域标记，可手动划定识别范围
    • 结果实时复制到剪贴板，方便快速编辑

安装
GitHub进入Release页面。不同版本仅OCR引擎插件不同，其它功能完全一致，附带多国语言识别库。.7z.exe为自解压包，可以用压缩软件打开，也可以在没有安装压缩软件的电脑上直接双击解压。

Paddle引擎插件版：性能好，速度快，占用率高，适合高配机器。不兼容奔腾、赛扬、凌动CPU。如果执行OCR时报错 0xc0000142、[Error] OCR init fail，大概率是CPU不兼容Paddle。

Rapid引擎插件版：速度稍慢，内存占用低，适合低配机器，兼容性好。

源码编译安装：

git clone https://github.com/hiroi-sora/Umi-OCR.git
cd Umi-OCR
# 安装依赖
pip install -r requirements.txt
# 启动应用
python main.py

使用

  1. 启动软件后，可通过三种方式导入图片：
    • 点击"打开图片"按钮选择文件
    • 将图片直接拖拽至软件窗口
    • 使用快捷键Ctrl+V粘贴剪贴板截图
  2. 点击"开始识别"按钮，等待片刻即可获取结果
  3. 识别完成后，可选择复制文本或导出为TXT文件

MonkeyOCR

论文，华中科技大学与金山办公联合开发的新型开源文档解析模型，其核心创新在于采用 Structure-Recognition-Relation (SRR) 三元组范式。通过将文档解析任务分解为三个核心问题（结构在哪里？内容是什么？它们如何组织？），即结构检测（布局分析）、内容识别和关系预测（逻辑排序）三个阶段，实现对文档内容的高效、精准解析。

在多个中文和英文文档类型上均表现出色，尤其在表格、公式等复杂内容的识别上，相比现有方法有显著提升。支持多页文档的快速解析，30亿参数模型在英文文档解析中超越Gemini 2.5 Pro等大模型，推理速度达到 0.84 页/秒，远超其他主流模型。还可通过特定方式更新配置文件以使用不同模型。可在单块3090 GPU上运行。

模型地址：https://huggingface.co/echo840/MonkeyOCR

在线体验：http://vlrlabmonkey.xyz:7685

图片

功能

  • 多语言支持
    支持中英文双语文档的解析，能够处理中文和英文的文本、表格、公式等复杂内容。对于中文场景，还可使用专门的结构检测模型 layout_zh.pt 来提高识别效果。
  • 多格式支持
    模型支持对PDF、图像等多种格式的文档进行解析。用户可通过命令行或Gradio界面上传文件，并获取结构化输出。
  • 高精度识别
    在多个基准测试中，如表格识别、公式识别等表现优异。例如，相比MinerU，MonkeyOCR在表格识别任务上的TEDS（Textual Edit Distance）提升8.6%，在公式识别任务上的CDM（Correct Document Match）提升15.0%。
  • 快速部署
    支持多种部署方式，包括命令行工具、 Docker容器和FastAPI服务。用户可以根据需求选择合适的部署方案，快速启动模型并进行测试。

技术原理

核心思想是将文档解析任务分解为三个关键步骤：

  1. 结构检测（Structure Detection） ：使用基于YOLO的文档布局检测器，通过布局分析，识别文档中的各个区域（如文本块、表格、公式、图像等），并为其分配类别标签和边界框坐标。
  2. 内容识别（Recognition）：对每个检测到的区域进行内容识别，包括文本、表格、公式等，使用统一的VLM进行识别，避免传统管道的错误传播。
  3. 关系预测（Relation Prediction） ：通过专用的块级阅读顺序模型，预测各个区域之间的逻辑关系，重建文档的结构化内容，确保输出的语义一致性。

有效结合流水线方法的模块化优势和端到端方法的全局优化能力，既保证解析的准确性，提升处理效率。

MonkeyDoc数据集
为了支持MonkeyOCR的训练和评估，研究团队开发MonkeyDoc，这是目前最全面的文档解析数据集之一；包含390万个块级实例，涵盖5个核心文档解析任务和10多种文档类型，支持中英文双语标注。数据集的构建过程包括：

  • 结构检测：从多个公开数据集中提取并统一标注，补充合成高质量中文样本。
  • 内容识别：通过自动标注和人工校验，确保文本、表格、公式等的识别准确。
  • 关系预测：通过多任务学习和模型辅助策略，建立区域之间的逻辑关系。

MonkeyDoc的多任务、多语言、多领域的覆盖能力，为模型的泛化训练提供坚实基础。

基准测试

OmniDocBench是一个用于评估真实世界文档解析能力的基准测试，包含981个PDF页面，涵盖9种文档类型、4种布局风格和3种语言类别。通过这个基准测试，能够对MonkeyOCR的文档解析能力进行全面评估。
图片
图片
性能表现：

  • 与 MinerU 相比，在中英文文档上平均提升 5.1%，公式识别提升 15.0%，表格识别提升 8.6%。
  • 3B 参数模型在英文文档解析任务上超越更大的模型，如 Qwen2.5-VL（72B）和 Gemini 2.5 Pro。
  • 多页文档处理速度达0.84页/秒，优于MinerU（0.65）和 Qwen2.5-VL-7B（0.12）。

安装及使用

# 创建conda环境
conda create -n MonkeyOCR python=3.10
conda activate MonkeyOCR
# 克隆代码
git clone https://github.com/Yuliang-Liu/MonkeyOCR.git
cd MonkeyOCR
# 安装依赖
# Install pytorch, see https://pytorch.org/get-started/previous-versions/ for your cuda version
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 -index-url https://download.pytorch.org/whl/cu124 
pip install -e .pip install huggingface_hub
python tools/download_model.pypython parse.py path/to/your.pdf
pyhton parse.py path/to/your/image
# 指定输出路径和模型配置文件路径
python parse.py path/to/your.pdf -o ./output -c config.yaml
# 启动Gradio界面
cd demo
python demo_gradio.py

Agentic-Doc

一个由LandingAI开发强大的Python库，由Agentic文档提取(ADE) 提供支持，可从 PDF和图像等复杂文档中提取结构化、视觉化的数据，使文档自动化变得简单可靠。

ADE是一种AI驱动的方法，提供功能：

  • 了解视觉布局：识别表格、图片、标题、段落、图表等。
  • 提供真实边界框：准确显示在页面上找到每个数据块的位置。
  • 返回结构化输出：以分层方式组织内容，并包含位置和类型信息。

agestic-doc是ADE API的Python包装器。它通过以下方式使开发人员更轻松地提取文档：

  • 支持1000多页的PDF
  • API错误或超时自动重试
  • 从图像、URL、云存储等中提取
  • 提供可视化和调试提取的工具

功能

  • 支持所有文件类型：PDF、图像和URL。
  • 处理长文档：自动拆分并并行处理大文件。
  • 批处理和并行处理：高效地同时从多个文件中提取。
  • 结构化输出：易于使用的JSON和Markdown。
  • 可视化调试：通过边界框图像查看每个块的提取位置。
  • 弹性：使用智能退避逻辑重试失败的请求。
  • 助手：简单的 Python 函数来处理大多数任务。
  • 灵活的配置：环境变量和.env批量大小、日志记录、重试的支持。
  • 云就绪：Google Drive、Amazon S3、本地文件夹、URL 甚至内存中的字节。

安装

pip install agentic-doc
export VISION_AGENT_API_KEY=<your-api-key>

.env环境配置文件：

BATCH_SIZE = 4 
MAX_WORKERS = 2 
MAX_RETRIES = 80 
MAX_RETRY_WAIT_TIME = 30 
RETRY_LOGGING_STYLE =log_msg

使用

from agentic_doc.parse import parse, parse_documents
from pydantic import BaseModel, Field
from agentic_doc.parse import parse
from agentic_doc.connectors import GoogleDriveConnectorConfig, S3ConnectorConfig, LocalConnectorConfigconfig = LocalConnectorConfig(recursive=True)
results = parse(config, connector_path="docs/")result = parse("path/to/document.pdf")
print(result[0].markdown)
print(result[0].chunks) # 以结构化JSON格式提取数据
result = parse("https://example.com/report.pdf")
result = parse("path/to/image.png")class ExtractedFields(BaseModel):name: str = Field(description="Employee name")amount: float = Field(description="Gross pay")address: str = Field(description="Employee address")
results = parse("salary_slip.pdf", extraction_model=ExtractedFields)
fields = results[0].extraction
meta = results[0].extraction_metadata
print(f"Name: {fields.name}, Confidence: {meta.name.confidence}")config = GoogleDriveConnectorConfig(client_secret_file="credentials.json",folder_id="your-folder-id"
)
results = parse(config)config = S3ConnectorConfig(bucket_name="my-bucket",region_name="us-east-1"
)
results = parse(config)results = parse_documents([ "report.pdf" ], grounding_save_dir= "groundings/" ) 
# 每个块的边界框作为图像保存在输出文件夹中

docext

由Nanonets开源OCR模型，由VLM提供支持的全面的本地文档智能工具包，基于Qwen2.5-VL-3B微调，运行至少需要9G显存。

功能：

  1. PDF/image转Markdown：将文档转换为具有智能内容识别的结构化标记，包括LaTeX公式、签名、水印、表和语义标记。
  2. 文档信息提取：从发票、护照等文档中无OCR地提取结构化信息（字段、表等），并进行置信度评分。
  3. 智能文档处理排行榜：一个全面的基准测试平台，跟踪和评估视觉语言模型在OCR、关键信息提取（Key Information Extraction，KIE）、文档分类、表提取和其他智能文档处理任务中的性能。
  • ModelScope：https://www.modelscope.cn/studios/nanonets/Nanonets-ocr-s/summary

OCR Flux

基于VLM的开源工具包，专为将PDF文档和图像转换为结构清晰、可读性强的Markdown文本而设计。一张12GB的RTX-3090显卡即可部署运行。官网。

Doc2x

商业版：https://doc2x.noedgeai.com/

OLM OCR

Allen Institute for Artificial Intelligence(AI2)的AllenNLP团队开源，旨在将PDF文件和其他文档高效地转换为纯文本，同时保留自然的阅读顺序。支持表格、公式、手写内容等。

官网：https://olmocr.allenai.org

技术架构：基于LLM，分布式架构+GPU加速推理（SGLang）。

核心功能：

  • 高质量提取复杂PDF中的结构化文本，正确处理多栏布局、表格、公式和手写内容；
  • 100 万页 PDF 处理成本约 190 美元，性能超过Marker、MinerU等工具。

优缺点：

  • 解析质量高，成本低于商业 API，性能突出
  • 使用门槛高（多系统依赖），早期开发阶段文档不完善，仅支持 PDF / 图片

Docling

GitHub，技术架构：模块化设计，集成Unstructured、LayoutParser等库，支持本地化处理。

功能：

  • 解析PDF/DOCX/PPTX等多格式文档，保留阅读顺序和表格结构；
  • 支持OCR和LangChain集成，输出Markdown/JSON用于RAG知识库构建

优缺点：

  • 与IBM生态兼容，多格式混合处理能力强
  • 需CUDA环境，部分功能依赖商业模型

Smol Docling

SmolDocling（SmolDocling-256M-preview ）是开源高效轻量级的多模态文档处理模型。能将文档图像端到端地转换为结构化文本，支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等多类型文档。模型参数量256M。使其能够在消费级显卡（如 RTX 3060 等）上流畅运行。

huggingface：https://huggingface.co/spaces/ds4sd/SmolDocling-256M-Demo

Zerox

开源OCR工具，支持复杂PDF/图片（含表格、手写字）转Markdown，利用视觉模型。

特性：

  • 零样本OCR识别，开箱即用
    传统OCR工具需要大量样本训练才能精准识别文字，而Zerox基于GPT-4o-mini模型，无需任何预训练即可处理复杂布局文档，包括表格、图表甚至手写体，准确率远超同类工具。
  • 输出Markdown格式，完美保留结构
    无论是PDF、DOCX还是扫描图片，Zerox都能将内容转换为结构化Markdown，自动生成标题、列表、表格等元素。例如，发票中的金额表格能直接转为Markdown表格，方便二次编辑。
  • 手写体识别“杀手锏”
    许多OCR工具对打印体效果尚可，但对手写体束手无策。Zerox通过多模型兼容技术，对手写笔记、签名等内容的识别准确率高达90%以上，堪称“打工人救星”。
  • 支持API集成，企业级效率工具
    开发者可通过Node或Python SDK快速集成Zerox，实现批量文档处理自动化。适用于法律合同解析、学术论文整理等场景，节省80%人工整理时间

对比：

  • 格式兼容性：支持20+文件格式（包括冷门的WPS、ODT等），而多数工具仅限PDF/图片；
  • 并发处理：可同时处理多页文档，速度比传统工具快3倍；
  • 开源免费：代码完全公开，企业可二次开发，避免商业OCR的高额授权费。

安装：

npm install zerox  # Node
pip install zerox  # Python

使用

import { zerox } from "zerox";
const result = await zerox({filePath: "invoice.pdf",  // 支持本地文件或URLopenaiAPIKey: "YOUR_API_KEY",
});
console.log(result.pages[0].content);  // 输出Markdown

Llamaparse

开源，技术架构：结合Azure OpenAI和KDB AI向量数据库，优化语义检索。核心功能：

  • 解析含表格/图表的复杂PDF，输出Markdown/LaTeX/Mermaid图表
  • 支持生成知识图谱，企业级安全合规设计

优缺点：

  • 解析精度高，支持半结构化数据语义优化
  • 处理速度较慢，免费额度有限，需API密钥

Llama OCR

内部使用 Llama 3.2 Vision 模型。官网

安装：npm i llama-ocr

使用：

const { ocr } = require("llama-ocr");(async () => {try {const markdown = await ocr({filePath: "./yz_ocr_example.png",model: "Llama-3.2-90B-Vision",apiKey: ""});console.log("OCR 结果:", markdown);  } catch (error) {console.error("发生错误:", error);  }
})();

选型

需求场景推荐工具核心优势
科研文献快速转换Marker轻量化、处理速度极快
企业级高精度解析MinerU多语言支持、安全合规
多格式混合处理Markitdown微软生态兼容、AI 增强转换
RAG知识库构建Docling/Llamaparse语义优化、向量数据库集成
复杂布局处理olmOCR大模型驱动，多栏 / 表格解析强
http://www.dtcms.com/a/309787.html

相关文章：

  • C++ 前缀和、双指针
  • [位运算]2411. 按位或最大的最小子数组长度
  • 下载一个JeecgBoot-master项目 导入idea需要什么操作启动项目
  • 26数据结构-顺序表
  • SpringMVC RESTful 核心要点
  • Excel数据转化为Xmind思维导图全流程（含Word转化格式），实用
  • hadoop.yarn 带时间的LRU 延迟删除
  • 如何在 Mac OS 上安装 Cursor
  • 2025 腾讯广告算法大赛 Baseline 项目解析
  • Python - 数据分析三剑客之Matplotlib
  • 如何解决pip安装报错ModuleNotFoundError: No module named ‘altair’问题
  • Apache Flink 2.1.0: 面向实时 Data + AI 全面升级，开启智能流处理新纪元
  • 从游戏NPC到手术助手：Agent AI重构多模态交互，具身智能打开AGI新大门
  • AI 重塑软件产业：从技术革命到生态重构
  • 超聚变：智能体时代，AI原生重构城企数智化基因
  • 技术信任革命：区块链重构信用机制全解析
  • 国内用户如何用手机进行YouTube直播？
  • 【CDH × Docker】一次测试部署，N 次复用的环境镜像方案
  • 9.1无法恢复的错误与 panic!
  • 基于Ascend CANN的FFmpeg与OpenCV编译指南
  • 观测云基于 ToB/ToC 业务可观测最佳实践
  • 蚂蚁开源团队发布的2025大模型开源开发生态发展情况速览
  • AI+向量化
  • 在Idea中，配置maven
  • Web安全学习步骤
  • R 语言文件读写、批量读取与图片保存实用代码汇总
  • 使用BART模型和T5模型实现文本改写
  • k8s部署mysql
  • Web学习：SQL注入之联合查询注入
  • 逻辑回归建模核心知识点梳理：原理、假设、评估指标与实战建议