Python PDF 转 Markdown 实战(2026):6 大开源库与 VLM API 代码对比及 RAG 路由架构

KomoAI LLC · 更新于 · 首次发布 · 3 分钟阅读

结论先行: 如果处理的是排版规范的纯数字单栏 PDF,Python 本地跑 pymupdf4llm 只需几毫秒;如果需要内网 CPU 部署且重视 MIT 授权,选 IBM Docling;自有 NVIDIA 显卡跑批量论文或中文扫库,选 MinerU 或 Marker;如果不想运维 GPU 推理服务、又要稳定拿到不丢公式和合并表格的 Markdown,使用异步 KolmoPDF PDF 解析 API 最省心。


Python 主流方案技术选型表(2026)

方案开源协议硬件要求扫描 OCR复杂表格LaTeX 公式典型定位
pymupdf4llmAGPL / 商业CPU(极快)❌ 无⚠️ 简单表❌ 乱码数字单栏极速抽取、路由预检
Docling (IBM)MITCPU / GPU✅ 内置✅ TableFormer⚠️ 可选开关物理隔离内网 / 企业级 CPU RAG
MinerUMinerU Open Source建议 GPU✅ 100+ 语种✅ 极强✅ 强自建显卡批量科研/多语库
MarkerApache 2.0 + 权重条款建议 GPU✅ Surya OCR✅ 良好✅ 强英文学术论文 GPU 批处理
MarkItDownMITCPU(极轻量)❌ 需外接❌ 扁平化❌ 无Office/HTML/音频多格式入口
KolmoPDF API托管 REST / Skill / MCP本地零算力✅ 原生内置✅ GFM 表✅ $ / $$免显卡高精度论文与扫描件入库

1. PyMuPDF4LLM(本地极速基线)

bashClick to Copy
pip install pymupdf4llm
pythonClick to Copy
import pymupdf4llm

md = pymupdf4llm.to_markdown("paper.pdf")
with open("paper.md", "w", encoding="utf-8") as f:
    f.write(md)

支持 page_chunks=True 直接生成分页列表供 RAG 切片,但遇到扫描件会返回空内容,公式和跨列版面也会损坏。


2. Docling(MIT 协议 CPU 友好方案)

bashClick to Copy
pip install docling
pythonClick to Copy
from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("paper.pdf")
with open("paper.md", "w", encoding="utf-8") as f:
    f.write(result.document.export_to_markdown())

3. MinerU / Marker(自备 GPU 高保真方案)

bashClick to Copy
# MinerU
pip install "mineru[all]"
mineru -p paper.pdf -o out/

# Marker
pip install marker-pdf
marker_single paper.pdf --output_dir out/

本地有 8 GB+ 显存显卡时非常划算;上线商业产品前记得核对模型权重授权上限。


4. MarkItDown 与 pdfplumber

  • markitdown(MIT): 一套接口搞定 Word、PPT、Excel、HTML 和简单 PDF,但不适合对标题树和公式有要求的 RAG 场景。
  • pdfplumber: 适合发票、固定模板报表的精确坐标抽取,不是通用 Markdown 工具。

5. KolmoPDF VLM 解析 API(异步 202 任务 + Agent Skill)

无需配置本地 CUDA 与权重下载,直接提交 PDF(单文件支持 300 MB / 800 页),支持轮询、SSE 与 Webhook 回调;注册即享 300 免费积分(+每日 50 积分),标准解析 2 积分/页,上传文件绝不用于模型训练。

pythonClick to Copy
import os
import time
import requests

API = "https://www.kolmopdf.com"
headers = {"Authorization": f"Bearer {os.environ['KOLMOPDF_API_KEY']}"}  # 前往 /api-keys 获取

# 1) 提交异步解析任务(返回 202)
with open("paper.pdf", "rb") as f:
    created = requests.post(
        f"{API}/api/v1/jobs/parse",
        headers=headers,
        files={"file": f},
        data={"table_mode": "markdown"},
        timeout=60,
    )
created.raise_for_status()
job_id = created.json()["id"]

# 2) 轮询状态(生产环境可改用 webhook_url)
while True:
    status = requests.get(f"{API}/api/v1/jobs/{job_id}", headers=headers, timeout=30).json()
    if status["status"] in ("succeeded", "failed", "cancelled"):
        break
    time.sleep(2)

if status["status"] != "succeeded":
    raise RuntimeError(status.get("error") or status)

# 3) 下载结果(Markdown 或包含图片的 ZIP)
result = requests.get(f"{API}/api/v1/jobs/{job_id}/download", headers=headers, timeout=60)
result.raise_for_status()
with open("paper_result.md", "wb") as out:
    out.write(result.content)

如果你在 Claude Code、Codex 或 Cursor 中工作,还可以直接运行 npx skills add komoai2026/kolmopdf-skill 一键接入,共享同一账户余额。


生产级 RAG 混合路由建议

面对成千上万份来源复杂的 PDF,最佳实践是先快后精:

  1. 先用本地 pymupdf4llm 试抽文本;若平均每页字符数过低(扫描件)或检测到公式乱码/双栏交错特征,
  2. 自动把该文档升级路由给 Docling(内网离线场景)或 KolmoPDF 解析 API(零运维高精度场景)。

想先在网页直观对比效果?请访问 PDF 转 Markdown 在线工具 或阅读 10 款 PDF 转 Markdown 工具对比。