PDF 转 Markdown - 技术栈

本地可部署的模型

Marker

Marker 快速准确地将文档转换为 markdown、JSON 和 HTML。

转换所有语言的 PDF、图像、PPTX、DOCX、XLSX、HTML、EPUB 文件
在给定 JSON 架构（beta）的情况下进行结构化提取
设置表格、表单、方程式、内联数学、链接、引用和代码块的格式
提取和保存图像
删除页眉/页脚/其他工件
可使用您自己的格式和逻辑进行扩展
（可选）使用 LLM 提高准确性
适用于 GPU、CPU 或 MPS

https://github.com/VikParuchuri/marker

Surya

Surya 是一个文档 OCR 工具包，它做到了：

90+ 种语言的 OCR，与云服务相比具有优势
任何语言的行级文本检测
布局分析（表格、图像、标题等检测）
读取顺序检测
表识别（检测行/列）
LaTeX OCR

https://github.com/VikParuchuri/surya

MinerU

MinerU 是一种将 PDF 转换为机器可读格式（例如 markdown、JSON）的工具，可以轻松提取为任何格式。 MinerU 诞生于 InternLM 的预训练过程中。我们专注于解决科学文献中的符号转换问题，希望为大模型时代的技术发展做出贡献。

https://github.com/opendatalab/MinerU

需API调用的模型工具

llamaPaser

LlamaCloud

使用样例：

pip install dotenv

pip install llama_parse

pip install llama-index-llms-openai

在 modelDownload.py 文件所在的目录创建一个名为 .env 的文件，并在其中添加以下内容：

python 复制代码

LLAMA_CLOUD_API_KEY='llamapaser API密钥'
OPENAI_API_KEY = 'openai APkey'

配置好环境后运行代码：

python 复制代码

# 需要LLAMA_CLOUD_API_KEY
from dotenv import load_dotenv
load_dotenv()   

# LlamaParse PDF reader for PDF Parsing
from llama_parse import LlamaParse
documents = LlamaParse(result_type="markdown").load_data(
    "90-文档-Data/黑悟空/黑神话悟空.pdf"
)
print(documents)

from llama_index.core.node_parser import MarkdownElementNodeParser
node_parser = MarkdownElementNodeParser()
nodes = node_parser.get_nodes_from_documents(documents)

print(nodes)

效果如下：