GitHub - VikParuchuri/marker: Convert PDF to markdown quickly with high accuracy
Marker converts PDF to markdown quickly and accurately.
- Supports a wide range of documents (optimized for books and scientific papers)
- Supports all languages
- Removes headers/footers/other artifacts
- Formats tables and code blocks
- Extracts and saves images along with the markdown
- Converts most equations to latex
- Works on GPU, CPU, or MPS
Marker is a pipeline of deep learning models:
Marker的转换流程：
-
文本提取：首先，Marker使用OCR技术（如果需要）来提取PDF中的文本。这可能涉及到启发式方法或使用如Surya和Tesseract等OCR工具。
-
页面布局检测：Marker通过Surya等工具检测页面布局，确定阅读顺序，这对于保持文档结构至关重要。
-
文本块清理与格式化：对于每个文本块，Marker使用启发式方法和Texify等工具进行清理和格式化，以确保文本的准确性和可读性。
-
块组合与后处理：最后，Marker将所有文本块组合起来，并使用后处理工具（如pdf_postprocessor）进行最终的文本整理，以提高输出质量。
-
模型的智能使用：Marker只在必要时使用深度学习模型，这有助于提高转换速度和准确性。