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

相关推荐
知难行难18 小时前
福昕阅读器高级版解决文件上传IEEE PDF eXpress字体未嵌入
pdf·express
子非吾喵18 小时前
在Element Ui中支持从系统粘贴版中获取图片和PDF,Docx,Doc,PPT等文档
ui·pdf·powerpoint
有过~1 天前
WPS Office手机去广高级版
pdf·wps
幸福清风2 天前
PymuPDF4llm提取pdf文件文字、表格与图片
pdf
zhentiya2 天前
王珊数据库系统概论第六版PDF+第五版课后答案+课件
数据库·pdf
大大大反派3 天前
ONLYOFFICE 8.2深度测评:集成PDF编辑、数据可视化与AI功能的强大办公套件
人工智能·信息可视化·pdf
zhentiya3 天前
濮良贵《机械设计》第十版课后习题答案全解PDF电子版
pdf
理竹子3 天前
Typora导出pdf手动分页和设置字体样式
pdf·typora·markdown
七夕先生3 天前
Qt:QPdfDocument渲染PDF文件时的信息丢失问题
c++·qt·pdf
咘噜biu3 天前
PDF模板制作与填充(Java)
java·pdf·pdf模板