你有没有过这种瞬间想砸电脑的体验？
打开一份几十页的PDF，想把里面的表格贴进笔记或代码里——结果列全乱了。
复制一个公式，出来的是一堆看不懂的符号。
双栏论文更狠：左边一段、右边一段被硬拼在一起，阅读顺序完全错乱。
这不是你不会复制，是PDF本身就不是给人“干净拿走”的格式。
做知识库、做RAG、做资料整理的人，几乎天天撞这堵墙。在线工具要么压缩画质、要么限页、要么把结构拆得面目全非。直到开源项目 Marker（GitHub：datalab-to/marker，约3.9万星）把这件事做成了可落地的流水线。
它的目标很简单：你把文档丢进去，它吐出干净的Markdown或JSON。
Marker到底解决了什么？
不是“能提取文字”那么浅。它针对的是真实文档里最难处理的那一层：
- 表格还是表格，而不是一堆错位空格
- 公式转成真正的LaTeX，而不是乱码
- 双栏、多栏按正确阅读顺序还原
- 页眉、页脚、页码等杂质自动去掉
- 图片单独抽出来保存
- 不只PDF，还支持Word、Excel、PowerPoint、EPUB、HTML和图片
- 多语言都能处理
- 需要喂给RAG时，可以直接输出JSON或chunks
一句话：从“勉强能看”变成“能直接用”。
为什么它比很多同类工具更值得试？
社区里常拿它和MinerU、Docling比。Marker官方在olmOCR-bench上的对比很直白：在可比的pipeline方案里，它同时追准确率和速度。
- Balanced模式整体约76.0分，数字PDF约83.5%
- 吞吐量约2.9页/秒，约为MinerU pipeline的5倍量级
- Fast模式更快，CPU无OCR模式还能再往上拉速度
- GPU、CPU、Mac（MPS）都能跑
这意味着它不是“实验室里好看”的工具，而是能批量处理文档的工具。做资料入库、论文整理、企业知识库时，速度和结构完整度往往比再多一个花哨功能更重要。
可选LLM增强也是它的加分项：跨页表格合并、表格格式整理、表单取值这类脏活，可以用LLM再抬一档。默认也能纯本地跑，不一定非要接云端模型。
它适合谁？
- 做RAG、知识库、文档问答，需要结构化输入
- 经常处理论文、报告、教材、合同扫描件
- 讨厌在线转换网站的压缩、限流和隐私风险
- 想把Office文档和PDF统一进同一套Markdown/JSON流程
不适合把它当成“万能OCR神话”。复杂扫描件、极乱排版、超大表单，仍可能需要开OCR、调LLM或换参考图/参数。工具再强，源文件质量仍然决定上限。
怎么开始？
最简单的入口就是：
pip install marker-pdf
处理非PDF格式时，安装完整依赖：
pip install marker-pdf[full]
然后把文件丢给它，输出Markdown或JSON。需要小规模服务化时，它还提供FastAPI接口和批处理能力。
代码协议是Apache 2.0，商用友好。但要注意：模型权重有单独许可，研究、个人使用和较小规模团队通常更宽松，较大商业使用需要按官方说明核对。用之前先看仓库README，别只看“开源”两个字就上生产。
仓库地址：
https://github.com/datalab-to/marker
写在最后
文档智能化真正卡住大多数人的，不是大模型本身，而是进模型之前的那一层清洗。
表格乱了，RAG检索会漂。
公式丢了，技术文档会废。
阅读顺序错了，整篇摘要都会跑偏。
Marker做的就是把这层脏活标准化。它不是又一个“能读PDF”的玩具，而是把PDF、Office文档变成可计算文本的生产线。
下次再从PDF里复制表格、复制公式之前，先问自己一句：
要的是“看起来像复制成功了”，还是“结构真的还在”？
如果是后者，这个仓库值得立刻Star，然后拿自己最头疼的那份PDF试一遍。
No comments yet